- 通过汇总优步数据估计街道级旅行时间;
- 评估物理环境对办公室舒适度和工作满意度的影响;
- 用于识别有害社交媒体账户的特征驱动的方法;
- 层次化网络的形成博弈;
- 利用高保真度量的行人朝向动态;
- 竞争性平衡理论：建模异构网络利益冲突;
- 通过笛卡尔积恢复复合网络的结构观测性;
- 动态属性网络变化检测;
- 少数人的智慧：从个体行为预测集体成功;
- EGGS：社会网络垃圾邮件关系建模的灵活方法;
通过汇总优步数据估计街道级旅行时间
原文标题： Street-level Travel-time Estimation via Aggregated Uber Data
地址： http://arxiv.org/abs/2001.04533
作者： Kelsey Maass, Arun V Sathanur, Arif Khan, Robert Rallo
摘要： 在城市环境中行驶时间估计时间模式沿路段是至关重要的，以交通工程师和城市规划者。在这项工作中，我们提出了一个方法来利用粗粒度和聚集的旅行时间数据来估计一个给定的大都市区的街道级旅行时间。我们的主要重点是估算出行时间沿着其中的相关数据常常是不可用动脉路段。我们的方法的核心思想是利用易于获得，汇总数据集具有广阔的空间覆盖，如尤伯杯移动公布的数据，由于面料过哪些其他昂贵的，细粒度数据集，如循环计数器和探测数据，可以是重叠的。我们所提出的方法使用的道路网络，并结合了多种技术，如基于图的路由，行程取样，图表稀疏，和最小二乘优化的图表示来估计街道级旅行时间。利用抽样考察和加权最短路径路由，我们迭代求解约束最小二乘问题，以获得行驶时间估计。我们证明了我们在洛杉矶大都会区街道网络，聚集在那里的旅行时间的数据可用于流量分析区域之间旅行的方法。此外，我们提出的技术按比例通过一种新颖的图表伪稀疏化技术我们的方法。
评估物理环境对办公室舒适度和工作满意度的影响
原文标题： Assessing the Impact of the Physical Environment on Comfort and Job Satisfaction in Offices
地址： http://arxiv.org/abs/2001.04562
作者： Francisco Reyne-Pugh, José Pulgar, Alex Godoy-Faúndez, Mario Alvarado-Rybak, Cristóbal Galbán-Malagón
摘要： 本文开发了一个模型，使来分析确定员工的环境舒适度在办公室程度的物理参数。参数，例如空气质量，噪声，热环境，和照明被考虑。该模型是通过使用偏最小二乘结构方程模型（PLS-SEM）的开发。形成性的指标（其导致构建体）和反射指标（引起或影响由构建体）被使用，以下通过吹风等人提出的方法。 （2014）。该模型是使用在航空控制机构在智利（DASADGAC）进行的调查所获得的数据来估计。该模型允许评估，环境舒适对人们的工作满意度的影响。结果表明，对环境的参数一起使用显著影响环境的舒适性，解释其方差的70.2％。此外，有人获得的噪声对环境的舒适性的影响被证明是比所研究的环境参数的其余部分，然后进行空气质量更大。在另一方面，它被经验证明，环境舒适度，对工作的满意度，其中使用的环境参数28.9％解释工作满意度的方差显著的影响。
用于识别有害社交媒体账户的特征驱动的方法
原文标题： A Feature-Driven Approach for Identifying Pathogenic Social Media Accounts
地址： http://arxiv.org/abs/2001.04624
作者： Hamidreza Alvari, Ghazaleh Beigi, Soumajyoti Sarkar, Scott W. Ruston, Steven R. Corman, Hasan Davulcu, Paulo Shakarian
摘要： 在过去的几年中，我们已经观察到不同媒体试图通过取景信息舆论转向支持叙事促进他们的目标。恶意用户称为“致病社交媒体”（PSM）帐户更容易被谣传病毒的比例放大这种现象。从帐户级别的角度来理解的错误信息的传播是这样一个紧迫的问题。在这项工作中，我们的目标是提出一个功能驱动的方法来检测社会化媒体PSM账户。通过文献中的启发，我们着手从三大视角评估的PSM：（1）用户有关的信息（例如，用户的活动，轮廓特征），（2）信源相关的信息（即，经由通过用户共享的URL的链接信息）和（3）的内容相关的信息（例如，鸣叫特性）。对于用户的相关信息，我们调查使用因果分析恶意信号（即，如果用户经常病毒级联的原因）和轮廓特征（例如，关注的数目，等等）。对于源相关信息，我们将探讨链接到网址（例如，URL地址，相关网站的内容等），各种恶意性质。最后，对于内容相关的信息，我们检查的属性（例如，井号标签，可疑主题标签的数量等），从微博用户发布的。来自不同国家的现实世界中的Twitter数据实验表明识别PSM用户所提出的方法的有效性。
层次化网络的形成博弈
原文标题： Hierarchical Network Formation Games
地址： http://arxiv.org/abs/2001.04644
作者： Pedro Cisneros-Velarde, Francesco Bullo
摘要： 我们提出了一个新的网络博弈形成，说明各层次结构在自我利益或效用最大化的个人决定建立彼此之间进行权力或合作的关系严重群体的出现。我们认为两个设置：我们首先考虑建立一个关系，然后个人谁做的时候谁不求对方同意的个人。对于这两种设置，我们正式将有关出现的等级结构，在个人的效用函数的新列入的积极性高的层次推进条款。我们首先通过一个静态分析，分析比赛和表征一切可以形成其解决方案的分层结构。然后，我们考虑实现最优反应动力学个体间在随机的相互作用动态玩过的博弈和分析融合网络的性质。
利用高保真度量的行人朝向动态
原文标题： Pedestrian orientation dynamics from high-fidelity measurements
地址： http://arxiv.org/abs/2001.04646
作者： Joris Willems, Alessandro Corbetta, Vlado Menkovski, Federico Toschi
摘要： 一个非常复杂的任务，由于各种各样的形状，姿势和走路的姿势 - 我们在现实生活条件和非常高的精度身体旋转或偏航，散步的行人的动态调查。我们建议基于我们训练行人的运动的一般物理性能的基础上，深刻的神经结构新颖的测量方法。具体而言，我们利用个人速度和身体方位之间的强统计相关性：速度方向典型地是相对于肩线正交。我们作出合理的假设，这种近似，虽然瞬间稍微不完善，平均为正确的。这使我们能够使用速度数据作为训练标签个体取向的高度精确的点估计，我们可以在没有专门的注释劳动训练。我们讨论了测量精度和显示错误比例，无论是在合成和真实数据：我们表明，我们的方法是能够与错误低至7.5度估计取向。此工具开辟了人类人群动力学的研究，其中取向是关键的新的可能性。通过分析在真实条件体旋转的动力学，我们表明，瞬时速度方向可以通过取向的组合和一个随机延时，其中随机性由集中在100毫秒的平均延迟的奥恩斯坦-Uhlenbeck过程提供描述。量化这些动态可能只可能得益于工具，精确的为建议。
竞争性平衡理论：建模异构网络利益冲突
原文标题： Competitive Balance Theory: Modeling Conflict of Interest in a Heterogeneous Network
地址： http://arxiv.org/abs/2001.04664
作者： Farideh Oloomi, Razieh Masoumi, Kosar Karimi Pour, Ali Hosseiny, G. Reza Jafari
摘要： 上结构平衡理论朝向通过不断地重新评估的相互作用，以实现平衡的状态减少的张力移动网络的动态。利益冲突，然而，就是在最复杂的系统固有的;通常情况下，有多个理想或平衡的状态，并朝一个运动可以工作与另一个。在这项工作中，通过引入竞争平衡理论，我们研究了平衡的发展中利益冲突的存在。在我们的模型中，假设是在演化过程中占主导地位的系统平衡竞争的不同状态。我们要问，是否通过这些相互作用，平衡竞争的不同状态为准自己的理想或在平衡状态下的集共存的理想是一个可能的结果。结果表明，虽然在平衡型对称，系统升级的可能朝向对称性破缺收支操纵系统的国家之一，或者不那么频繁，平衡共存的拥堵状态的竞争状态。
通过笛卡尔积恢复复合网络的结构观测性
原文标题： Recovering the Structural Observability of Composite Networks via Cartesian Product
地址： http://arxiv.org/abs/2001.04699
作者： Mohammadreza Doostmohammadian
摘要： 观测是在系统推断和预测的基本概念。本文的重点是笛卡尔乘积网络结构能观性分析。笛卡尔乘积网络出现在各种应用，包括并行和分布式系统。我们提供了一个结构的方法来构成网络的结构可观测（称为因子网络）延伸到笛卡尔乘积网络。结构的方法是基于图论是通用的。我们介绍其密切相关的网络结构能观性，即父母强连接组分（父SCC），父节点，收缩某些结构。结果表明，对于特定类型的网络（例如含有收缩的网络）的因子网络的结构可观测可以通过笛卡尔乘积回收。换句话说，如果因子网络中的一个在结构上是秩亏，使用含有跨越周期系列的其它因子网络，则这两个nwtworks的笛卡尔乘积是结构上满秩。我们定义为结构可观性恢复一定的网络结构。在另一方面，我们推导观察者节点的数目 - 由output--基于观测节点在网络因子的数目测得的笛卡尔乘积网络中其状态的节点。一个例子示出了在纸张上的图论的分析。
动态属性网络变化检测
原文标题： Change Detection in Dynamic Attributed Networks
地址： http://arxiv.org/abs/2001.04734
作者： Isuru Udayangani Hewapathirana
摘要： 网络提供了表示通过抽象实体为顶点的实体之间的复杂关系的有力手段，并且如在图连接顶点的边的关系。除了存在或不存在的关系，网络可包含可归因于实体和它们之间的关系的附加信息。这些附加的属性数据附加到对应的顶点和边的产率归因曲线图。此外，在大多数现实世界的应用，如在线社会网络，金融网络和交易网络，实体之间的关系随着时间的推移。在动态归功于网络的变化检测是在许多领域，如欺诈检测，网络入侵检测和保健监测的一个重要问题。这是一个具有挑战性的问题，因为它涉及归因图的时间序列，其中的每一个通常是非常大的，并且可以包含附接到所述顶点和边许多属性，从而导致一个复杂的，高维数学对象。在本次调查中，我们提供了一些利用属性信息已有变化检测方法的概述。我们分类基于结构的被利用来发现变化图中的水平这些方法。这些级别是顶点，边子图，社区和整体图。我们专注于这些方法，包括性能和可扩展性的优势和劣势我们的注意。最后，我们讨论了一些公开提供动态网络数据集，并给仿真模型的简要概述，生成合成动态归功于网络。
少数人的智慧：从个体行为预测集体成功
原文标题： The wisdom of the few: Predicting collective success from individual behavior
地址： http://arxiv.org/abs/2001.04777
作者： Manuel S. Mariani, Yanina Gimenez, Jorge Brea, Martin Minnoni, René Algesheimer, Claudio J. Tessone
摘要： 我们可以通过监测一小部分人的行为预测的产品，服务或企业的未来成功呢？一个积极的答案是有重要影响的成功管理实践的科学，但最近的作品都支持截然相反的答案。要化解这种压力，我们在一个独特的，大规模的数据集解决这一问题，结合个人的购买历史跨越了整个国家的社会和流动性特征。出人意料的是，我们发现，购买历史单独启用的小套，其早期的购买一贯预测成功的“发现者”的检测。在通过对字的口碑过程大多数现有的研究与假设相反，由网络中心所选择的社会活动中心都没有一致的预测成功。我们的方法来检测的关键人物有其他研究领域包括科学的科学，技术预测和行为金融学的应用前景。
EGGS：社会网络垃圾邮件关系建模的灵活方法
原文标题： EGGS: A Flexible Approach to Relational Modeling of Social Network Spam
地址： http://arxiv.org/abs/2001.04909
作者： Jonathan Brophy, Daniel Lowd
摘要： 社交网站面临的垃圾邮件的持续攻击，垃圾信息是分散注意力，骚扰，甚至是骗取用户的诚实。这些消息往往很短，使它们难以孤立地鉴别。此外，垃圾邮件发送者伪装自己的邮件看起来合法的，欺骗用户点击链接和欺骗垃圾邮件过滤器进入他们的容忍恶意行为。因此，一些垃圾邮件过滤器检查域中关系结构，例如用户和消息之间的连接，以更好地识别欺诈内容。然而，即使当它被使用，关系结构通常利用了一个不完整的或特别的方式。在本文中，我们提出了基于扩展集团的图模型垃圾邮件（蛋），对在线社会网络的垃圾邮件进行分类的通用方法。而不是独立地标记每个消息，当它们具有相同的作者，相同的内容，或其他域专用连接我们组相关的消息一起。为了推理相关的消息中，我们结合了两种常用的方法：堆叠图学习（SGL）和概率图模型（PGM）。这两种方法捕获的想法，消息更可能是在相关消息也是垃圾垃圾，但他们以不同的方式做到这一点; SGL使用顺序分类预测和精确制导弹药使用概率推理。我们应用我们的方法，以四种不同的社会网络领域。鸡蛋比大多数实验设置一个独立的模型更精确，尤其是在正确的标签是不确定的。对于PGM实现，我们比较马尔可夫逻辑网络概率软逻辑，发现这两个工作做好，既没有一个占主导地位，和SGL和铂族金属通常对自己进行比任何更好的结合。
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.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