- 通过意料之外检测核心 - 边缘结构;
- 利用局部网络社区来预测学业成绩;
- 爆发的感染无法改变网络本地化;
- 现实世界网络的统计物理;
- 模块化网络的中心性;
通过意料之外检测核心 - 边缘结构
原文标题： Detecting Core-Periphery Structures by Surprise
地址： http://arxiv.org/abs/1810.04717
作者： Jeroen van Lidth de Jeude, Guido Caldarelli, Tiziano Squartini
摘要： 检测复杂网络中中尺度结构的存在是最重要的。对于金融网络尤其如此，其结构组织深深影响其对诸如默认级联，冲击传播等事件的弹性。迄今为止，已经提出了几种方法来检测社区，即连接性非常大的节点组。然而，社区并不代表表征现实世界网络的唯一中尺度结构：其他例子由蝴蝶结结构，核心 - 外围结构和二分结构提供。在这里，我们提出了一种新的方法来检测统计上显著的双模结构，即二分结构或核心外围结构。它基于最近提出的用于检测社区的意外修改。我们的变体允许通过将链接放置在核心部分内部以及核心部分和外围部分之间或2）恰好位于二分网络的（空）层之间来显示双模节点分区。从技术角度来看，这是通过采用多项超超几何分布而不是传统（二项式）超几何分布来实现的;如在后一种情况下，这允许将p值分配给节点的任何给定（bi）分区。为了说明我们方法的表现，我们将其应用结果报告给几个现实世界的网络，包括社会，经济和金融网络。
利用局部网络社区来预测学业成绩
原文标题： Leveraging local network communities to predict academic performance
地址： http://arxiv.org/abs/1810.04730
作者： David Burstein, Franklin Kenter, Feng Shi
摘要： 20多年来，学生协作网络的社会网络分析一直关注学生预测学业成绩的中心地位。尽管越来越多的社会学文献支持学术成功具有传染性，但仅仅在网络中识别中心学生并不能理解同伴互动如何促进学术成功在整个网络中的传播。因此，我们提出了一种新颖的预测因子，通过识别学生的学习社区来将学术成功视为一种传染，该学习社区由最有可能影响学生在课程中表现的同伴组成。我们通过在103名学生的入门大学统计课程中预测学术成果来评估这些学习社区的重要性。特别地，我们观察到通过包括这些学习社区预测器，所得到的模型成为正确模型的可能性是文献中当前最先进的中心网络模型的68倍。
爆发的感染无法改变网络本地化
原文标题： Network localization is unalterable by infections in bursts
地址： http://arxiv.org/abs/1810.04880
作者： Qiang Liu, Piet Van Mieghem
摘要： 我们认为流行病过程在网络上的定位仅由网络结构决定，而不是由传播动力学决定，并且没有传播机制可以将局部传播转变为非局域传播。为了支持我们的主张，我们提出了一种突发易感染易感（SIS）模型，其中近阈值流行率是非常数的，并且最大化的因子等于邻接矩阵的最大特征值 \ lambda_1 。网络。我们表明，即使 \ lambda_1 在热力学极限上发生偏差，局部网络上突发SIS过程的最大近阈值流行趋于趋于零。我们的结果在合成和真实网络上进行了评估。
现实世界网络的统计物理
原文标题： The Statistical Physics of Real-World Networks
地址： http://arxiv.org/abs/1810.05095
作者： Giulio Cimini, Tiziano Squartini, Fabio Saracco, Diego Garlaschelli, Andrea Gabrielli, Guido Caldarelli
摘要： 统计物理是模拟复杂网络的自然框架。在过去的二十年里，它为各种新兴现象带来了新的物理见解，如自组织，尺度不变性，混合分布和集合非等价，这些都不能从个体成分的行为中推断出来。同时，由于其与信息论的深层联系，统计物理学和最大熵原理导致了空模型的定义，再现了经验网络的一些特征，但在其他方面尽可能随机。我们在这里回顾复杂网络的统计物理方法和各种物理问题的空模型，特别关注再现网络局部特征的分析框架。我们展示了如何使用这些模型来检测现实世界网络中的统计上显著和预测的结构模式，以及在信息不完整的情况下重建网络结构。我们进一步调查统计物理框架，使用马尔可夫链蒙特卡罗采样再现更复杂的半局部网络特征，以及广义网络结构模型，如多路网络，交互网络和单纯复合体。
模块化网络的中心性
原文标题： Centrality in Modular Networks
地址： http://arxiv.org/abs/1810.05101
作者： Zakariya Ghalmane, Mohammed El Hassouni, Chantal Cherifi, Hocine Cherifi
摘要： 识别网络中有影响的节点是一个基本问题，因为它具有广泛的应用，例如加速信息传播或阻止病毒传播。多年来，出现了许多基于网络拓扑的度量，以识别有影响的节点，例如中介，接近度和特征值中心性。然而，尽管大多数现实世界的网络都是模块化的，但很少有措施利用这一特性最近的研究表明，它对网络动态有重要影响。在模块化网络中，节点具有两种类型的影响：通过其社区内链接的本地影响（在其社区的节点上）和通过其社区间链接的全局影响（在其他社区中的节点上）。根据社区结构的强弱，这两个组成部分或多或少都有影响力。基于这一想法，我们建议将没有社区结构的网络定义的所有标准中心度量扩展到模块化网络。所谓的“模块中心性”是二维向量。其第一个组件量化了节点在其社区中的局部影响，而第二个组件量化了其对网络其他社区的全球影响。为了说明模块化中心扩展的有效性，在流行病过程设置中进行与标量对应物的比较。在具有受控社区结构的合成网络上使用易感染 - 恢复（SIR）模型的模拟结果允许清楚地了解社区结构的强度与主要影响类型（全球/本地）之间的关系。此外，在现实世界网络上的实验证明了这种方法的优点。
声明：Arxiv文章摘要版权归论文原作者所有，由本人进行翻译整理，未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://www.complexly.me （提供RSS订阅）进行同步更新。