- 什么时候人们信任他们的社交团体？;
- 不可压缩高阶网络中的跨时边和交叉层边;
- 小世界连接组的通用和非通用神经动力学：有限大小的尺度分析;
- 友谊悖论造成了有向网络中的感知偏误;
- 后果排名算法和长期福利;
- 大图的查询处理：可扩展性和响应时间权衡的方法;
- 通过乘车数据来衡量和降低动态网络的不平衡水平;
- 复杂网络上触发的级联动力学;
- LikeStarter：基于智能合约的社交DAO，用于众筹;
- 包含三个药剂相互作用的循环Lotka-Volterra模型变体的协同演化动力学;
- ActiveHNE：主动异构网络嵌入;
- 当随机块模型遇到图神经网络;
什么时候人们信任他们的社交团体？
原文标题： When Do People Trust Their Social Groups?
地址： http://arxiv.org/abs/1905.05270
作者： Xiao Ma, Justin Cheng, Shankar Iyer, Mor Naaman
摘要： 信任促进合作并支持社会群体的积极成果，包括成员满意度，信息共享和任务绩效。广泛的先前研究已经检验了个人的一般信任倾向，以及有助于他们对特定群体的信任的因素。在这里，我们以过去的工作为基础，提出一个预测群体信任的综合框架。通过调查6,383个Facebook群组用户关于他们的信任态度并检查这些个人的汇总行为和人口统计数据，我们表明（1）个人的信任倾向与他们如何信任他们的群体有关，（2）较小，封闭，年长，更加独特或更加同质的群体更受信任，（3）群体的整体友谊 - 网络结构和个人在该结构中的位置也可以预测信任。最后，我们展示了群体信任如何预测个人和群体层面的结果，例如新友谊关系的形成。
不可压缩高阶网络中的跨时边和交叉层边
原文标题： Transtemporal edges and crosslayer edges in incompressible high-order networks
地址： http://arxiv.org/abs/1905.05276
作者： Felipe S. Abrahão, Klaus Wehmuth, Artur Ziviani
摘要： 这项工作提出了由广义图表示定义的不可压缩高阶网络的理论研究的一些结果。我们研究了它们的一些网络拓扑属性以及它们如何与现实世界的复杂网络相关联。我们证明这些网络具有非常短的直径，高k-连通性，在强渐近主导的标准偏差内的网络大小的一半的程度，以及关于自同构的刚性。此外，我们证明了不可压缩的动态（或动态多层）网络具有跨临时（或跨层）边，因此，动态网络的快照式表示对于捕获构成某些实际的基础结构的此类边的存在是不准确的。世界网络。
小世界连接组的通用和非通用神经动力学：有限大小的尺度分析
原文标题： Universal and non-universal neural dynamics on small world connectomes: a finite size scaling analysis
地址： http://arxiv.org/abs/1905.05280
作者： Mahdi Zarepour, Juan I. Perotti, Orlando V. Billoni, Dante R. Chialvo, Sergio A. Cannas
摘要： 最近在大规模脑动力学的实验和模型中发现了关键动力学的证据。对可用连接组的相对较小的尺寸阻碍了对这种关键机制的性质和特征的理解，这可以防止确定其相关的普遍性等级。为了规避这一点，我们在这里研究了一类小世界网络上定义的神经模型，该模型与人类连接组共享一些拓扑特征。我们发现，改变拓扑参数可以产生属于平均场渗透普遍性类或具有非通用临界指数的尺度不变行为。此外，我们发现拓扑参数空间的某些区域，其中系统呈现不连续（即，非关键）动态相变为渗透状态。总的来说，这些结果揭示了复杂大脑动力学的动力学和拓扑学根源之间的相互作用。
友谊悖论造成了有向网络中的感知偏误
原文标题： Friendship Paradox Biases Perceptions in Directed Networks
地址： http://arxiv.org/abs/1905.05286
作者： Nazanin Alipourfard, Buddhika Nettasinghe, Andres Abeliuk, Vikram Krishnamurthy, Kristina Lerman
摘要： 主题或意见似乎在网络中的受欢迎程度与其实际受欢迎程度有很大差异。例如，在社交媒体平台的在线网络中，推送汇集了他们朋友发布的帖子，在他们的帖子中提及主题的人数（即其全球知名度）可能与人们在社交馈送中看到它的方式（它被认为的受欢迎程度）有很大不同。我们将这种差异的起源追溯到有向网络中的友谊悖论，这种悖论表明人们平均而言不如他们的朋友（或追随者）受欢迎。我们确定了导致这种感知偏差的网络结构条件，并使用来自Twitter的数据凭经验验证了这些结果。在我们的示例中由Twitter用户发布的消息中，我们识别出在用户的社交馈送中更频繁出现的主题，而不是在全局中，即在所有帖子中。此外，我们提出了一种轮询算法，该算法利用友谊悖论从个体的偏见感知中获得对主题全球流行率的统计有效估计。我们描述了轮询估计的偏差，为其方差提供了上限，并通过我们的Twitter数据上的综合轮询实验验证了算法的效率。我们的论文阐明了有向网络结构可能扭曲社会认知和产生行为的非直观方式。
后果排名算法和长期福利
原文标题： Consequential Ranking Algorithms and Long-term Welfare
地址： http://arxiv.org/abs/1905.05305
作者： Behzad Tabibian, Vicenç Gómez, Abir De, Bernhard Schölkopf, Manuel Gomez Rodriguez
摘要： 排名模型通常旨在提供排名，以优化对用户的一些即时效用的度量。结果，他们无法预测他们提议的排名会产生越来越多的不良长期后果，从推动错误信息的传播和增加两极分化到有辱人格的社会话语。我们是否可以设计能够理解其提议排名后果的排名模型，更重要的是，能够避免不受欢迎的排名吗？在本文中，我们首先使用马尔可夫决策过程引入排名和用户动态的联合表示。然后，我们证明这种表示极大地简化了后续排序模型的构建，这些模型利用了即时效用和长期福利。特别是，我们可以通过对最大化即时效用度量的模型提供的排名应用加权抽样来获得最佳的后果排名。然而，在实践中，这种策略可能是低效且不切实际的，特别是在高维场景中。为了克服这个问题，我们引入了一种有效的基于梯度的算法来学习有效逼近最优模型的参数化后果排序模型。我们使用从Reddit收集的合成和实际数据展示我们的方法，并显示使用我们的方法得出的排名模型提供的排名可以减少错误信息的传播并提高在线讨论的文明性。
大图的查询处理：可扩展性和响应时间权衡的方法
原文标题： Query Processing on Large Graphs: Approaches To Scalability and Response Time Trade Offs
地址： http://arxiv.org/abs/1905.05384
作者： Soumyava Das, Abhishek Santra, Jay Bodra, Sharma Chakravarthy
摘要： 随着社会网络和网络的出现，图尺寸变得太大而无法适应主存储器，从而导致需要替代方法来对任何大小的图进行有效，可扩展的查询评估。在这里，我们使用分而治之的方法，通过划分图并处理分区上的查询来获得所有或指定数量的答案。这需要正确计算跨多个分区的答案，甚至不止一次需要相同的分区。给定一组分区，有许多方法可以评估查询：i）一次分区一次分区，ii）多处理器的传统使用，以及iii）使用Map Reduce多处理器方法。本文详述的方法（i）通过独立处理分区建立了可扩展性。除了可伸缩性之外，另外两种方法还解决了响应时间问题。对于方法（i），已经确定了必要的最小簿记，并且在本文中确定了其正确性。对分区图进行查询应答还需要分析分区方案对查询处理的影响，并确定需要加载分区的数量和顺序，以减少处理查询的响应时间。我们将查询属性和分区特征相关联，以减少可用资源的查询处理时间。我们还确定了一组量化指标，并使用它们来制定启发式方法，以确定加载分区的顺序，以便进行有效的查询处理。对于方法（i），使用不同分区方案的大图（合成，真实世界）上的实验分析针对各种查询类型的所提出的启发法。另外两种方法是充实和分析。已扩展现有图查询系统以评估分区图上的查询。最后，所有方法都进行了对比。
通过乘车数据来衡量和降低动态网络的不平衡水平
原文标题： Measuring and reducing the disequilibrium levels of dynamic networks through ride-sourcing vehicle data
地址： http://arxiv.org/abs/1905.05386
作者： Wei Ma, Sean Qian
摘要： 近年来，交通系统正在通过乘车采购和共享移动服务进行重塑。在过去十年中，运输网络公司（TNC）一直在收集高粒度乘车车辆（RV）轨迹数据，而RV数据如何改善网络流量管理的当前动态网络建模仍不清楚。本文提出测量网络不平衡水平（NDL），即在实际网络中动态用户均衡（DUE）条件的偏差程度。使用基于RV轨迹的数据，我们提出了一种估计NDL测量的新方法。更重要的是，我们提出了一种从轨迹级RV数据计算区域到区域旅行时间数据的方法。这将成为跨国公司的数据共享计划，这样，在用于有效估计和减少国家图书馆的同时，区域间数据既不会显示个人身份信息，也不会显示与公众共享的旅行级商业信息。此外，我们提出了一种基于NDL的流量管理方法，以在网络中的一小部分车辆上执行用户最优路由。 NDL测量和基于NDL的路由在两个真实的大规模网络上进行检查：具有轨迹级RV数据的成都市和具有区域到区域的旅行时间数据的匹兹堡市。
复杂网络上触发的级联动力学
原文标题： Dynamics of Tipping Cascades on Complex Networks
地址： http://arxiv.org/abs/1905.05476
作者： Jonathan Krönke, Nico Wunderling, Ricarda Winkelmann, Arie Staal, Benedikt Stumpf, Obbe A. Tuinenburg, Jonathan F. Donges
摘要： 临界点出现在生态学，气候科学，经济学或工程学等不同学科的许多系统中。临界点是系统参数或状态变量中的关键阈值，在该阈值处微小的扰动可导致系统的质量变化。许多具有临界点的系统可以被建模为耦合的多稳态子系统的网络，例如，耦合的植被，相连的湖泊，相互作用的气候倾翻元素或多尺度基础设施系统。在这样的网络中，一个子系统中的倾翻事件能够通过多米诺骨牌效应引起倾斜级联。在这里，我们研究网络拓扑对这种级联发生的影响。在Erdos-Renyi，Watts-Strogatz和Barabasi-Albert网络上进行了用于临界点的概念动力学模型的数值级联模拟。我们发现群集和空间组织的网络增加了网络的脆弱性，并可能导致整个网络的倾斜。这种效应仅存在于倾翻相互作用的动力学模型中，并未被传染过程的阈值模型捕获。我们强调了网络全局属性的结果如何与小规模模体（如反馈回路和前馈回路）相关联。此外，该模型应用于由亚马逊热带雨林的水分循环模拟生成的网络，并将级联模拟的结果与模型网络的结果进行比较。始终如一地，我们观察到空间结构的水分循环网络比更多无序的随机网络拓扑结构更容易受到倾斜级联的影响。这些结果可用于评估哪些系统由于其网络拓扑而易受攻击或具有弹性，并可能有助于相应地设计系统。
LikeStarter：基于智能合约的社交DAO，用于众筹
原文标题： LikeStarter: a Smart-contract based Social DAO for Crowdfunding
地址： http://arxiv.org/abs/1905.05560
作者： Mirko Zichichi, Michele Contu, Stefano Ferretti, Gabriele D'Angelo
摘要： 众筹已经成为一种流行的集体资助形式，其中由一群人制作的小额捐款或投资支持新项目的开发，以换取免费产品或不同类型的认可。另一方面，社交网站促进用户合作，目前是任何个人网络互动的基础。在本文中，我们介绍了LikeStarter，这是一个基于区块链的分散式平台，它将社交互动与众筹机制相结合，允许任何用户在社会网络中流行时筹集资金。 LikeStarter建立在以太坊区块链之上，其结构为分散式自治组织（DAO），在没有任何中央机构干预的情况下促进众筹，并认可捐赠者的积极作用，使他们能够在获取利润的同时支持艺术家或项目。
包含三个药剂相互作用的循环Lotka-Volterra模型变体的协同演化动力学
原文标题： Coevolutionary dynamics of a variant of the cyclic Lotka-Volterra model with three-agent interactions
地址： http://arxiv.org/abs/1905.05591
作者： Filippo Palombi, Stefano Ferriani, Simona Toti
摘要： 我们研究了具有三个药剂相互作用的循环Lotka-Volterra模型的变体。受Rock-Paper-Scissors博弈多人变体的启发，该模型描述了一个理想的生态系统，通过合作捕食，三种物种之间的循环竞争得以发展。它在混合良好的环境中的速率方程显示出退化的Hopf分岔，当涉及两个捕食者加一个猎物的反应与涉及两个猎物加一个捕食者的反应具有相同的速率时发生。我们估计分岔点处随机噪声的大小，其中有限大小的效应将中性稳定的轨道转变为不规则的发散轨迹。特别地，我们比较了在Fokker-Planck近似中导出的消光概率的分析预测，以及基于Gillespie随机算法的数值模拟。然后，我们将相位图的分析扩展到异构速率。在混合良好的环境中，我们观察到连续的退化Hopf分岔，概括了上述分支。中性稳定性源于不同反应之间的复杂平衡。值得注意的是，在二维晶格上，由于相互作用的空间局部性，所有分叉都消失了。在本文的第二部分，我们研究了移动在格子集合种群模型中的影响，其中补丁托管了几个代理。我们发现策略沿着旋转螺旋的臂传播，正如它们通常在循环优势模型中那样。我们观察到大波长区域的传播不稳定性。我们还研究了诱导非线性扩散的三药物相互作用。
ActiveHNE：主动异构网络嵌入
原文标题： ActiveHNE: Active Heterogeneous Network Embedding
地址： http://arxiv.org/abs/1905.05659
作者： Xia Chen, Guoxian Yu, Jun Wang, Carlotta Domeniconi, Zhao Li, Xiangliang Zhang
摘要： 由于节点类型和/或节点之间的不同关系，异构网络嵌入（HNE）是一项具有挑战性的任务。现有的HNE方法通常是无人监管的。为了最大限度地利用HNE中稀有和有价值的监督信息，我们开发了一种新颖的有源异构网络嵌入（ActiveHNE）框架，它包括两个组件：判别异构网络嵌入（DHNE）和异构网络中的主动查询（AQHN）。在DHNE中，我们介绍了一种基于图卷积神经网络的新型半监督异构网络嵌入方法。在AQHN中，我们首先介绍了基于不确定性和代表性的三种主动选择策略，然后推导出一种批量选择方法，该方法使用多臂强盗机制来组装这些策略。 ActiveHNE旨在通过将AQHN获得的最有价值的监督提供给DHNE来改善HNE的表现。公共数据集上的实验证明了ActiveHNE的有效性及其在降低查询成本方面的优势。
当随机块模型遇到图神经网络
原文标题： Stochastic Blockmodels meet Graph Neural Networks
地址： http://arxiv.org/abs/1905.05738
作者： Nikhil Mehta, Lawrence Carin, Piyush Rai
摘要： 随机块模型（SBM）及其变体，例如，混合成员和重叠随机块模型，是基于潜变量的图的生成模型。事实证明，它们可以成功完成各种任务，例如发现社区结构和图结构数据的链路预测。最近，通过利用诸如局部性和不变性之类的图属性，图神经网络，例如，图卷积网络，也已成为一种有前途的方法，用于学习图中节点的强大表示（嵌入）。在这项工作中，我们通过为图开发稀疏变量自动编码器来统一这两个方向，这保留了SBM的可解释性，同时还享有图神经网络的出色预测性能。此外，我们的框架伴随着快速识别模型，该模型能够快速推断节点嵌入（这对于SBM及其变体中的推断具有独立的兴趣）。虽然我们为特定类型的SBM开发了这个框架，即重叠随机块模型，但是所提出的框架可以很容易地适用于其他类型的SBM。几个基准测试的实验结果表明，在学习可用于社区发现的可解释潜在结构的同时，对链路预测的结果令人鼓舞。
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。
网友评论