- COVID-19锁定引发移动网络的结构变化——对减缓疾病动态的启示;
- 使用最佳步长模型的社交距离;
- 从恐惧到仇恨：Covid-19大流行如何在美国引发种族歧视;
- 实时监测疫情演变的方法;
- COVID-19第一波大流行期间的住院动态：SIR模型与比利时、法国、意大利、瑞士和纽约市的数据对比;
- actSIS流行病动态中的主动控制和持续振荡;
- 带增长和优先连接的网络：建模和应用;
- 在图表示学习中最大化凝聚和分离：一种考虑距离的负采样方法;
- 多主体低维线性bandit;
- 受到竞争对手干扰时，对收益影响的总体评估;
- 查找最密的k连通子图;
- 用近似PageRank增加图神经网络规模;
- 映射二模网络中的流;
- AWS上的WordPress：通信框架;
COVID-19锁定引发移动网络的结构变化——对减缓疾病动态的启示
原文标题： COVID-19 lockdown induces structural changes in mobility networks -- Implication for mitigating disease dynamics
地址： http://arxiv.org/abs/2007.01583
作者： Frank Schlosser, Benjamin F. Maier, David Hinrichs, Adrian Zachariae, Dirk Brockmann
摘要： 在COVID-19大流行之后，许多国家实施了遏制措施以减少疾病传播。使用数字数据源进行的研究表明，多个国家有效地减少了个人的流动性。但是，目前尚不清楚这些减少是否会导致移动网络的更深层次的结构变化，以及这些变化如何影响网络上的动态过程。在这里，我们使用手机用户的移动数据来表明，德国的移动性不仅得到了大幅降低：锁定措施导致了移动网络的重大而持久的结构变化。我们发现长途旅行大大减少了。远程网络连接的修剪会导致更本地的群集网络，并减轻“小世界”效应。我们证明这些结构变化通过“展平”流行曲线并延迟向地理上遥远地区的传播，对流行病传播过程具有相当大的影响。
使用最佳步长模型的社交距离
原文标题： Social distancing with the Optimal Steps Model
地址： http://arxiv.org/abs/2007.01634
作者： Christina Maria Mayr, Gerta Köster
摘要： 随着Covid-19大流行，迫切需要模拟社会距离。最佳步长模型（OSM）是一种行人运动模型，可满足个人对个人空间的需求。我们在“最佳步长模型”中提供了个人空间的新参数值，以在行人动力学模拟器Vadere中模拟社交距离。我们的方法是务实的。我们考虑两个用例：在第一个用例中，我们要求绝不违反设定的社交距离。第二，社交距离只能保持平均水平。对于每个用例，我们在典型的瓶颈情况下进行模拟研究，并测量联系时间，即违反社交距离规则的情况。我们根据期望的社会距离得出适合的参数选择的经验法则。我们测试了1.5m和2.0m社交距离的经验法则，并观察到新的参数值确实导致了所需的社交距离。因此，经验法则将使Vadere用户能够快速进行自己的研究，而无需了解OSM实施的复杂性，也无需进行广泛的参数调整。
从恐惧到仇恨：Covid-19大流行如何在美国引发种族歧视
原文标题： From Fear to Hate: How the Covid-19 Pandemic Sparks Racial Animus in the United States
地址： http://arxiv.org/abs/2007.01448
作者： Runjing Lu, Yanying Sheng
摘要： 根据Google搜索和Twitter帖子（包括常用的反亚裔种族诽谤），我们估计了冠状病毒（Covid-19）大流行对种族的影响。我们的经验策略是在美国各地区首次进行Covid-19诊断的时间上合理地利用外源性变化。我们发现，第一个本地诊断会导致种族主义Google搜索和Twitter帖子立即增加，后者主要来自现有的Twitter用户第一次发布诽谤。这种增加可能表明未来的仇恨犯罪有所增加，因为我们使用历史数据记录了诽谤的使用与反亚裔仇恨犯罪之间的密切相关性。此外，我们发现敌意的上升是针对亚洲人而不是其他少数群体，并且在疾病与亚洲人之间的联系更加突出的日子里更加强烈，正如特朗普总统在推特上提到中国和Covid-19的推文所代表的那样。同时。相反，大流行的负面经济影响在种族厌恶的最初增加中起着很小的作用。我们的结果表明，不再强调疾病与特定种族之间的联系可以有效地遏制当前和未来的种族歧视。
实时监测疫情演变的方法
原文标题： Method to monitor the evolution of an epidemic in real time
地址： http://arxiv.org/abs/2007.01508
作者： Justin Trujillo, Valerica Raicu
摘要： 流行病的出现使人们有必要监测其传播情况，并实时评估和验证政府和行政机构制定的任何缓解措施。我们在这里提出一种方法来观察和量化这种扩散以及受影响人群和管理机构的反应，并将其作为案例研究应用于COVID-19。该方法提供了同时实时跟踪诸如死亡率和恢复率以及由被感染者引起的新感染数量的手段。有了足够的数据，该方法就可以对流行病进行彻底的监视和评估，而无需考虑未来流行病的演变。
COVID-19第一波大流行期间的住院动态：SIR模型与比利时、法国、意大利、瑞士和纽约市的数据对比
原文标题： Hospitalization dynamics during the first COVID-19 pandemic wave: SIR modelling compared to Belgium, France, Italy, Switzerland and New York City data
地址： http://arxiv.org/abs/2007.01411
作者： Gregory Kozyreff
摘要： 使用经典的易感感染恢复流行病学模型，得出了针对Covid-19患者所占床位数的分析公式。该分析曲线与比利时，法国，纽约市和瑞士的数据拟合，相关系数超过98.8％，这表明使用此类宏观数据不需要更精细的模型。该拟合用于提取流行病上升阶段的倍增时间，平均恢复时间以及对于需要医疗干预的患者的平均住院时间的估计值。在不同的爆发中可以观察到很大的差异。
actSIS流行病动态中的主动控制和持续振荡
原文标题： Active Control and Sustained Oscillations in actSIS Epidemic Dynamics
地址： http://arxiv.org/abs/2007.01424
作者： Yunxiu Zhou, Simon A. Levin, Naomi E. Leonard
摘要： 提出了一种主动控制的易感感染-易感（actSIS）传染模型，用于研究流行病动态并具有连续时间反馈控制感染率。我们的工作受到以下观察结果的鼓舞：可以通过分散的疾病控制策略来控制流行病，例如隔离，安置，社会隔离等，在这种情况下，人们可以根据感染水平的观察主动改变与他人的接触率。人口。考虑到观察中存在时间滞后，并根据其风险状况将个人分为不同的亚人群，我们证明与SIS模型相比，actSIS模型表现出质的不同特征。在风险均等的同质人群中，尽管短暂感染水平可能显示出过高或过低，但地方平衡始终降低。在具有相同风险承受能力的人群中，该系统具有双稳性，这也可以减少感染。对于由风险容忍者和风险承担者组成的异类种群，我们证明了模型参数的条件，这些模型参数可确定被感染种群中存在霍普夫分叉和持续振荡。
带增长和优先连接的网络：建模和应用
原文标题： Networks with Growth and Preferential Attachment: Modeling and Applications
地址： http://arxiv.org/abs/2007.01349
作者： Gabriel G. Piva, Fabiano L. Ribeiro, Angelica S. Mata
摘要： 在本文中，我们简要介绍了具有增长和优先依恋关系的主要网络模型。这样的模型很有趣，因为它们呈现了真实系统的几个特征。我们从Barabasi和Albert提出的经典模型开始：将节点添加到网络，最好将其连接到其他连接更紧密的节点。我们还提出了一些模型，这些模型从社会角度考虑了更具代表性的元素，例如顶点之间的同构性或每个节点必须建立连接的适应性。此外，我们展示了这些模型的一个版本，其中包括节点之间的欧几里得距离作为优先附着规则。我们的目标是研究这些网络的基本属性，如连通性分布，程度相关性，最短路径，聚类系数以及这些特征如何受到优先附着规则的影响。最后，我们还提供了这些合成网络与真实网络的比较。我们发现同质性，适应性和地理距离等特征是对真实网络建模的重要优先依附规则。这些规则可以改变这些合成网络模型的程度分布形式，并使它们更适合于对真实网络进行建模。
在图表示学习中最大化凝聚和分离：一种考虑距离的负采样方法
原文标题： Maximizing Cohesion and Separation in Graph Representation Learning: A Distance-aware Negative Sampling Approach
地址： http://arxiv.org/abs/2007.01423
作者： M. Maruf, Anuj Karpatne
摘要： 无监督图表示学习（GRL）的目的是学习反映嵌入给定无标签图结构的节点嵌入的低维空间。用于该任务的现有算法依赖于负采样目标，该负采样目标通过维持节点对的正负数据库来最大化附近节点的节点嵌入的相似性（称为“内聚”）。虽然从短时随机游动中同时发生的节点对中抽取正样本，但常规方法是通过对随机对进行均匀采样来构造负语料库，因此忽略了有关远距离节点对之间结构差异的有价值信息（称为“分离”）。在本文中，我们提出了一种新颖的距离感知负采样（DNS），它通过设置与成对的最短距离成比例的负采样概率，最大化了远距离节点对的分离，同时最大化了附近节点对的内聚力。我们的方法可以与任何GRL算法结合使用，并且我们在许多基准数据集和GRL算法上证明了我们的方法相对于基线负采样方法，下游节点分类任务的有效性。我们所有的代码和数据集都可以在 url https://github.com/Distance-awareNS/DNS/上获得。
多主体低维线性bandit
原文标题： Multi-Agent Low-Dimensional Linear Bandits
地址： http://arxiv.org/abs/2007.01442
作者： Ronshee Chawla, Abishek Sankararaman, Sanjay Shakkottai
摘要： 我们研究了带有辅助信息的多主体随机线性bandit，其参数由未知向量 theta ^ in mathbb R ^ d 来参数化。辅助信息由低维子空间的有限集合组成，其中一个子空间包含 theta ^ 。在我们的环境中，主体可以通过在连接他们的通信图上发送建议来协作以减少后悔。我们提出了一种新颖的分散算法，其中主体相互之间通信子空间索引，并且每个主体在对应的（低维）子空间上播放LinUCB的投影变体。通过协作最佳子空间识别和相应低维子空间中未知向量的每个主体学习的组合，我们显示了每个主体的后悔比主体不进行通信的情况小得多。通过协作确定包含 theta ^ 的子空间，我们显示了每个主体有效地解决了线性bandit的一个更简单的实例（与没有协作的情况相比），从而减少了每个主体的后悔。我们最终通过模拟对这些结果进行补充。
受到竞争对手干扰时，对收益影响的总体评估
原文标题： Overall Evaluations on Benefits of Influence When Disturbed by Rivals
地址： http://arxiv.org/abs/2007.01519
作者： Jianxiong Guo, Yapu Zhang, Weili Wu
摘要： 影响最大化（IM）是一个代表性且经典的问题，之前已经进行了广泛的研究。即时通讯问题最重要的应用是病毒式营销。以我们为发起人，我们希望从给定社会网络中的影响力扩散中获得收益，其中每个受影响（激活）的用户都与收益相关联。但是，经常有竞争对手在同一社会网络中同时传播竞争信息。考虑这种情况，用户会同时受到我的信息和竞争对手的信息的影响。在此，该用户的利益应在一定程度上减弱。如何量化弱化程度？在此基础上，我们建议对影响力收益（OEBI）问题进行总体评估。我们证明OEBI问题的目标函数不是单调的，不是亚模的，也不是超模的。幸运的是，我们可以将此目标函数分解为两个子模函数的差，并采用模数模块程序对其进行近似，并保证与数据相关的近似保证。由于难以计算出准确的目标值，因此我们利用反向影响采样的思想设计了一组无偏估计量，该估计量可以在不损失其近似比率的情况下显著提高时间效率。最后，在真实数据集上的数值实验验证了我们方法的有效性，无论其性能和效率如何。
查找最密的k连通子图
原文标题： Finding Densest k-Connected Subgraphs
地址： http://arxiv.org/abs/2007.01533
作者： Francesco Bonchi, David García-Soriano, Atsushi Miyauchi, Charalampos E. Tsourakakis
摘要： 密集子图发现是一种重要的图挖掘原语，具有多种实际应用程序。关于密集子图发现，研究最深入的优化问题之一是最密集子图问题，在给定边加权无向图 G =（V，E，w）的情况下，要求我们找到 S subseteq V 最大化密度 d（S），即诱导子图 G [S] 加权平均度的一半。该问题可以在多项式时间内准确解决，而在几乎线性时间内则可以很好地解决。但是，最密集的子图具有结构上的缺陷，即，子图可能对顶点/边失败不具有鲁棒性。实际上，最密集的子图可能没有很好地连接，这意味着可以通过仅删除其中的几个顶点/边来断开子图的连接。在本文中，我们提供了一个算法框架来查找在顶点/边连通性方面紧密连接的密集子图。具体来说，我们引入了以下问题：给定一个图 G =（V，E，w）和一个正整数/实数 k ，我们被要求找到使密度 d（）最大化的 S subseteq V 。 S）在 G [S] 是 k -顶点/边连接的约束下。对于这两个问题，我们使用图论及其扩展中的经典Mader定理，提出了多项式时间（双标准和普通）近似算法。
用近似PageRank增加图神经网络规模
原文标题： Scaling Graph Neural Networks with Approximate PageRank
地址： http://arxiv.org/abs/2007.01570
作者： Aleksandar Bojchevski, Johannes Klicpera, Bryan Perozzi, Amol Kapoor, Martin Blais, Benedek Rózemberczki, Michal Lukasik, Stephan Günnemann
摘要： 图神经网络（GNN）已经成为解决许多网络挖掘任务的强大方法。但是，在大图上学习仍然是一个挑战-许多最近提出的可伸缩GNN方法依赖于昂贵的消息传递过程来通过图传播信息。我们提出了PPRGo模型，该模型利用了GNN中信息扩散的有效近似值，从而在保持最新预测性能的同时，显著提高了速度。 PPRGo除了速度更快之外，还具有固有的可扩展性，并且可以对大型数据集（如行业设置中的数据集）进行微不足道的并行化。我们证明，在许多常用的学术图表上，PPRGo在分布式和单机训练环境中均优于基线。为了更好地分析大规模图学习方法的可扩展性，我们引入了一种新颖的基准图，它具有1,240万个节点，1.73亿条边和280万个节点特征。我们显示，从零开始训练PPRGo并预测该图中所有节点的标签在一台机器上花费不到2分钟的时间，远远超过了同一张图中的其他基线。我们在Google上讨论了PPRGo解决大规模节点分类问题的实际应用。
映射二模网络中的流
原文标题： Mapping Flows in Bipartite Networks
地址： http://arxiv.org/abs/2007.01666
作者： Christopher Blöcker, Martin Rosvall
摘要： 映射网络流可以洞悉网络的组织，但是即使许多实际网络都是二分的，也没有一种映射流的方法可以利用二分结构。抛弃这些信息，我们会错过什么？如何利用它更好地了解两方网络的结构？映射方程模型以随机游走对网络流进行建模，并利用压缩和寻找规律之间的信息论对偶性来检测网络中的社区。但是，它没有使用这样的事实，即双向网络中的随机游走会在节点类型之间交替，信息价值为1位。为了使某些或所有这些信息可用于图方程，我们开发了一种编码方案，可以以不同的速率记住节点类型。我们研究了从没有节点类型信息到完整节点类型信息的两方现实世界网络的社区格局，发现以较高的速率使用节点类型通常会导致更深的社区层次结构和更高的分辨率。网络流的相应压缩超过了所提供的额外信息的数量。因此，利用二分结构可以提高分辨率并揭示更多的网络规则性。
AWS上的WordPress：通信框架
原文标题： WordPress on AWS: a Communication Framework
地址： http://arxiv.org/abs/2007.01823
作者： Michael Soltys, Katharine Soltys
摘要： 每个组织都需要与受众进行交流，而社交媒体是保持对话交流的一种有吸引力且廉价的方法。大约1/3的互联网网页由WordPress提供支持，大约一百万家公司已将其IT基础架构移至AWS云。 AWS和WordPress共同为大小公司提供了一种有吸引力，有效且廉价的方式，以维持其在网络上的存在。
声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，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.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。
网友评论