- 用于机器学习的图信号处理：综述与新视角;
- 社会网络的无分布模型;
- 基于模体的图卷积多层网络的图表示学习;
- 使用热核进行半监督学习的图卷积网络;
- 肥尾变量的单点预测;
- 互惠推荐系统：最新文献分析，社会推荐面临的挑战和机遇;
- 网络连通性优化：评估适用于复杂网络的启发式方法和运输案例研究;
- G-CREWE：使用嵌入的图压缩进行网络对齐;
- 没有保证免疫力的流行病动态;
- SARS-CoV-2在美国的超级传播;
- 解决冠状病毒大流行期间飞机乘客登机问题的分析方法;
- 修改后的SIR模型的精确闭式解;
- 最佳的定期关闭以最大程度地减少新发疾病暴发的风险;
用于机器学习的图信号处理：综述与新视角
原文标题： Graph signal processing for machine learning: A review and new perspectives
地址： http://arxiv.org/abs/2007.16061
作者： Xiaowen Dong, Dorina Thanou, Laura Toni, Michael Bronstein, Pascal Frossard
摘要： 大规模结构化数据的有效表示、处理、分析和可视化，尤其是那些与诸如网络和图之类的复杂域相关的数据，是现代机器学习中的关键问题之一。图信号处理（GSP）是信号处理模型和算法的生机勃勃的分支，旨在处理图上支持的数据，为应对这一挑战打开了新的研究途径。在本文中，我们回顾了GSP概念和工具（例如图过滤器和变换）对新型机器学习算法开发的一些重要贡献。特别是，我们的讨论集中在以下三个方面：开发数据结构和关系先验，提高数据和计算效率以及增强模型的可解释性。此外，我们对GSP技术的未来发展提供了新的观点，GSP技术一方面可以充当应用数学和信号处理之间的桥梁，另一方面可以充当机器学习和网络科学之间的桥梁。这些不同学科之间的交叉受精可能有助于解决现代复杂数据分析的众多挑战。
社会网络的无分布模型
原文标题： Distribution-Free Models of Social Networks
地址： http://arxiv.org/abs/2007.15743
作者： Tim Roughgarden, C. Seshadhri
摘要： 大型社会网络的结构主要是使用生成模型（平均案例分析的一种形式）进行表达的。本章综述了有关此类网络更健壮模型的最新建议。这些模型提出了确定性和经验支持的组合结构，而不是特定的概率分布。我们讨论了这些模型的形式定义，以及它们如何与社会网络中的经验观察结果联系起来，以及相应图类的已知结构和算法结果。
基于模体的图卷积多层网络的图表示学习
原文标题： Representation Learning of Graphs Using Graph Convolutional Multilayer Networks Based on Motifs
地址： http://arxiv.org/abs/2007.15838
作者： Xing Li, Wei Wei, Xiangnan Feng, Xue Liu, Zhiming Zheng
摘要： 图结构是一种常用的数据存储模式，事实证明，图中节点的低维嵌入式表示形式在各种典型任务（例如节点分类，链路预测等）中非常有用。现有方法从图中的二元关系（即边）开始，并且没有利用图中的高阶局部结构（即模体）。在这里，我们提出了mGCMN-一种新颖的框架，该框架利用节点特征信息和图的高阶局部结构来有效生成先前未见数据的节点嵌入。通过研究，我们发现不同类型的网络具有不同的关键主题。在引用网络和社会网络数据集的大量实验中，我们的方法相对于基线方法的优势已经得到证明。同时，揭示了分类精度的提高与聚类系数之间的正相关。相信使用高阶结构信息可以真正体现网络的潜力，这将大大提高图神经网络的学习效率，促进全新的学习模式的建立。
使用热核进行半监督学习的图卷积网络
原文标题： Graph Convolutional Networks using Heat Kernel for Semi-supervised Learning
地址： http://arxiv.org/abs/2007.16002
作者： Bingbing Xu, Huawei Shen, Qi Cao, Keting Cen, Xueqi Cheng
摘要： 图卷积网络在图结构化数据的半监督学习中取得了巨大的成功。基于图的半监督学习的关键是捕获图结构所施加的节点上的标签或特征的平滑度。先前的方法，谱方法和空间方法致力于将图卷积定义为相邻节点上的加权平均值，然后学习图卷积内核以利用平滑度来提高基于图的半监督学习的性能。一个开放的挑战是如何确定适当的邻域，以反映图结构中显示的平滑度的相关信息。在本文中，我们提出了GraphHeat，它利用热核来增强低频滤波器并增强图上信号变化的平滑度。 GraphHeat利用目标节点在热扩散下的局部结构来灵活确定其相邻节点，而不受先前方法所受顺序的限制。 GraphHeat在跨三个基准数据集（Cora，Citeseer和Pubmed）的基于图的半监督分类任务中实现了最新的结果。
肥尾变量的单点预测
原文标题： On Single Point Forecasts for Fat-Tailed Variables
地址： http://arxiv.org/abs/2007.16096
作者： Nassim Nicholas Taleb, Yaneer Bar-Yam, Pasquale Cirillo
摘要： 我们讨论使用朴素的“基于证据的”经验主义和胖尾变量的点预测时的常见错误和谬误，以及使用朴素的一阶科学方法进行尾部风险管理的不足之处。我们以COVID-19大流行为背景进行讨论，并以一个具有可乘性为特征的现象为例，说明必须从统计属性和相关风险中得出哪些缓解政策。在此过程中，我们也回应了Ioannidis等人提出的观点。 （2020）。
互惠推荐系统：最新文献分析，社会推荐面临的挑战和机遇
原文标题： Reciprocal Recommender Systems: Analysis of State-of-Art Literature, Challenges and Opportunities on Social Recommendation
地址： http://arxiv.org/abs/2007.16120
作者： Ivan Palomares, Carlos Porcel, Luiz Pizzato, Ido Guy, Enrique Herrera-Viedma
摘要： 包括在线约会，社交媒体，招聘和在线学习在内的许多社交服务在很大程度上取决于“将人与合适的人相匹配”。这些服务的成功与用户的使用体验通常取决于其与用户相匹配的能力。 （RRS）的出现是为了根据用户提供的信息来识别彼此可能匹配的用户，从而促进了此过程，这些系统本质上比用户项推荐方法和单向用户推荐服务要复杂，因为它们需要在推荐过程中考虑到两个用户的彼此偏好，这不仅需要像传统推荐者一样预测准确的偏好估计，还需要定义适当的融合过程以汇总用户对用户的偏好信息，后者是至关重要且与众不同的，但在RRS研究中却鲜有研究。现有文献总结了迄今为止最先进的RRS研究，重点是将RRS与其他类别的推荐系统区分开来的基本功能。在此之后，我们讨论了有关RRS未来研究的挑战和机遇，并特别关注（i）考虑互惠性的融合策略和（ii）与社会推荐相关的新兴应用领域。
网络连通性优化：评估适用于复杂网络的启发式方法和运输案例研究
原文标题： Network connectivity optimization: An evaluation of heuristics applied to complex networks and a transportation case study
地址： http://arxiv.org/abs/2007.16150
作者： Jeremy Auerbach, Hyun Kim
摘要： 网络优化通常集中在解决网络流问题上，但是最近已经对优化网络特性进行了研究。优化网络连接性以最大程度地增加到焦点节点的给定距离内的节点数，然后最小化附加连接的数量和长度，但是在包括运输计划，电信网络和地理空间分析在内的多个领域中，这仍然很重要。 。我们比较了几种启发式方法，以使用随机网络来探索此网络连接性优化问题，包括引入了两个平面随机网络，这对空间网络仿真研究以及城市规划和公共卫生领域的实际案例研究很有用。我们观察到节点特征和跨网络类型的最佳连接之间的显著差异。该结果以及寻找最佳解决方案的计算成本突显了寻找有效启发式算法的困难。提出了一种新颖的遗传算法，我们发现这种优化启发式算法优于现有技术，并描述了如何将其应用于其他组合和动态问题。
G-CREWE：使用嵌入的图压缩进行网络对齐
原文标题： G-CREWE: Graph CompREssion With Embedding for Network Alignment
地址： http://arxiv.org/abs/2007.16208
作者： Kyle K. Qin, Flora D. Salim, Yongli Ren, Wei Shao, Mark Heimann, Danai Koutra
摘要： 网络对齐对于需要处理越来越大的图的多个应用程序很有用。现有研究将此视为优化问题或基于节点表示来计算相似度。但是，在相对较大的网络之间对齐每对节点的过程既耗时又耗费资源。在本文中，我们提出了一个名为G-CREWE（带嵌入的图压缩）的框架来解决网络对齐问题。 G-CREWE使用节点嵌入在两个分辨率级别（原始网络提供的精细分辨率和压缩版本提供的粗略分辨率）对齐网络，以实现有效的网络对齐。该框架首先提取节点特征，然后通过图卷积网络（GCN）学习节点嵌入。然后，节点嵌入有助于指导图压缩过程并最终提高对齐性能。作为G-CREWE的一部分，我们还提出了一种称为MERGE（最小dEgRee neiGhbors压缩）的新压缩机制，以减小输入网络的大小，同时保留其拓扑结构的一致性。在所有真实网络上进行的实验表明，我们的方法在保持高精度的同时，是最有竞争力的现有方法的两倍以上。
没有保证免疫力的流行病动态
原文标题： Dynamics of epidemic diseases without guaranteed immunity
地址： http://arxiv.org/abs/2007.15971
作者： Kurt Langfeld
摘要： 全球SARS-CoV-2大流行表明一种新型的疾病传播动态。世卫组织指出，目前尚无证据表明从COVID-19中康复并具有抗体的人对第二次感染免疫。传统的数学模型考虑的情况是，恢复的个体再次变得易感或产生免疫力。在这里，我们研究了感染的病原体恢复并且仅在连续感染一段时间后才产生免疫力的情况。否则，它们将再次变得敏感。我们表明，场论限制了传染率的峰值。因此，该理论的各个阶段表征了疾病的动态：（i）大流行阶段和（ii）应对方案。该模型很好地描述了SARS-CoV-2暴发在中国武汉市的流行。我们发现，只有30％的回收试剂具有免疫力。我们期望我们的论文能够在平衡经济影响和大流行对社会的影响时影响决策。只要疾病控制措施使疾病动态保持在“应对方案”中，就可以排除大流行性疾病升级（“第二波”）。
SARS-CoV-2在美国的超级传播
原文标题： Superspreading of SARS-CoV-2 in the USA
地址： http://arxiv.org/abs/2007.15673
作者： Calvin Pozderac, Brian Skinner
摘要： 已知许多流行病，包括2002-2004年的SARS-CoV-1流行病，都表现出超级传播，其中一小部分受感染的人造成了大多数新感染。超级传播的存在意味着不同个体之间的传染性分布（每天造成新的继发感染）。在这里，我们提出了一种简单的方法，通过检查不同亚人群之间新病例的早期增长率的变化来估计传染性的变化。我们使用这种方法来估计美国大流行初期SARS-CoV-2传播的传染性均值和方差 k 。我们发现 sigma_k / mu_k gtrsim 3.7 ，其中 mu_k 是平均传染性，而 sigma_k 是其标准偏差，这意味着无处不在的超级扩展。该结果使我们可以估计，在美国大流行的早期阶段，将近88％的新病例是大多数传染性人群中收入最高的10％的结果。
解决冠状病毒大流行期间飞机乘客登机问题的分析方法
原文标题： Analytical approach to solve the problem of aircraft passenger boarding during the coronavirus pandemic
地址： http://arxiv.org/abs/2007.16021
作者： Michael Schultz, Majid Soolaki
摘要： 我们设计了一种使用随机元胞自动机模型进行旅客移动的最佳团体登车方法，该模型通过病毒传播方法得到扩展。此外，开发了新的数学模型来确定团体的合适座位布局。提议的座位布局基于以下想法：允许组成员保持紧密接触，并且组之间应保持一定距离。将各个传输速率的总和作为目标函数，以得出传输风险较低的方案。在确定合适的座位布局后，使用元胞自动机得出并评估相应的登机顺序，以缩短登机时间和降低病毒传播风险。我们发现，在大流行情况下考虑分组将大大有助于加快登机速度（减少大约60％的时间）并减少传播风险（减少85％），达到大流行前情况下的登乘时间水平。
修改后的SIR模型的精确闭式解
原文标题： Exact closed-form solution of a modified SIR model
地址： http://arxiv.org/abs/2007.16069
作者： Angel Ballesteros, Alfonso Blasco, Ivan Gutierrez-Sagredo
摘要： 提出了封闭式改进SIR系统的精确分析解决方案。据我们所知，这是流行病的三维确定性隔间模型的第一个封闭形式解决方案。在这个动力学系统中，易感和康复个体的种群S（t）和R（t）被发现是广义的对数函数，而传染性的I（t）由广义的对数函数乘以指数给出，所有这些都具有相同的特征时间。分析了这种改进的SIR系统的非线性动力学，并对某些流行病学相关量进行了精确计算。通过修改后的SIR模型与原始SIR模型之间的主要差异，以其各自的守恒量为零来表示和解释。我们记得，最近已经使用了两个模型来描述COVID-19大流行的动态要素。
最佳的定期关闭以最大程度地减少新发疾病暴发的风险
原文标题： Optimal periodic closure for minimizing risk in emerging disease outbreaks
地址： http://arxiv.org/abs/2007.16151
作者： Jason Hindes, Simone Bianco, Ira B. Schwartz
摘要： 没有疫苗和治疗方法，社会必须依靠非药物干预策略来控制新兴疾病（例如COVID-19）的传播。尽管完全锁定在流行病学上是有效的，但由于它可以消除传染性接触，因此成本很高。最近的几项研究表明，将流行病风险降至最低的合理折衷策略是定期关闭，在这种情况下，人群在广泛的社会限制和放松之间摇摆。但是，还没有提出基础理论来根据流行病学和社会参数预测和解释最佳封闭期。在这项工作中，我们开发了一种针对SEIR样模型疾病的分析理论，展示了如何出现特征性的闭合期，从而使总暴发最小化，并随着疾病的繁殖数量和潜伏期而可预测地增加，只要两者均在可预测的范围内。使用我们的方法，我们证明了一种甜蜜点效应，其中最佳的定期闭合对具有相似潜伏期和恢复期的疾病具有最大的作用。我们的结果与数值模拟（包括在COVID-19模型中）的数值模拟结果相吻合，其中传染性和回收率显示出显著的可变性。
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