- 现实启发投票模型：小型综述;
- 使用自我中心聚类在LinkedIn测量网络效果;
- 使用双曲几何的链路预测;
- 含时图的节点嵌入;
- 子图网络在结构特征空间扩展中的应用;
- 网络共识模型的可控性Gramian子矩阵;
现实启发投票模型：小型综述
原文标题： Reality Inspired Voter Models: A Mini-Review
地址： http://arxiv.org/abs/1811.11888
作者： S. Redner
摘要： 这篇小型综述展示了投票模型的扩展，其中包含了个人真实决策过程的各种合理特征。虽然这些概括不是通过经验数据校准的，但由此产生的动态暗示了现实的集体社会行为。
使用自我中心聚类在LinkedIn测量网络效果
原文标题： Using Ego-Clusters to Measure Network Effects at LinkedIn
地址： http://arxiv.org/abs/1903.08755
作者： Guillaume Saint-Jacques, Maneesh Varshney, Jeremy Simpson, Ya Xu
摘要： 当新功能不仅影响接收它的人，而且影响平台的其他用户，例如他们的连接或跟随他们的人时，就会发生网络效应。这种非常普遍的现象违反了支撑几乎所有企业实验系统的基本假设，稳定的单位处理价值假设（SUTVA）。当这个假设被打破时，一个典型的实验平台，依靠伯努利随机分配和双样本t检验来评估显著性，不仅不能解释网络效应，而且可能产生高度偏向的结果。本文概述了一种简单且可扩展的测量网络效应的解决方案，使用自我网络随机化，其中群集由“自我”（焦点个体）和她“改变”（她立即连接的个体）组成。与传统的基于群集的随机化相比，我们的方法旨在保持群集的代表性，避免强大的建模假设，并显著提高功率。特别是，它不需要特定产品的实验设计，也不需要工程团队的高水平投资，也不需要对实验和分析平台进行任何更改，因为它只需要将治疗分配到个人层面。每个用户具有或不具有该功能，并且不需要对用户之间的交互进行复杂的操作。它侧重于测量一次性网络效应（即我的直接连接处理对我的影响），并以非常低的设置成本给出合理的估计，允许我们每年进行数十次这样的实验。
使用双曲几何的链路预测
原文标题： Link prediction with hyperbolic geometry
地址： http://arxiv.org/abs/1903.08810
作者： Maksim Kitsak, Ivan Voitalov, Dmitri Krioukov
摘要： 链路预测是网络科学中具有各种应用的范例问题。在潜在空间网络模型中，这个问题归结为按照增加它们之间的潜在距离的顺序对节点对进行排序。具有双曲线潜在空间的网络模型具有许多吸引人的特性，这表明它必须是预测链接的有力工具，但过去在这方面的工作报告了不同的结果。在这里，我们对潜在双曲几何在网络中进行链路预测的效用进行系统研究。我们首先表明，链路预测精度的一些测量对于节点潜在双曲线坐标推断的不准确性是极其敏感的，因此我们开发了一种新的坐标推理方法，该方法最大化了这种推理的准确性。将这种方法应用于合成和真实网络，我们发现尽管存在大量竞争方法来预测明显的易于预测的链接，其中双曲线链路预测很少是最好的但通常是竞争性的，它是最好的，通常到目前为止，当任务是预测不太明显的缺失链接时，真的很难预测。这些链接包括缺失链接，缺少链接的大部分缺失链接，缺少任何公共邻居的节点之间缺少链接，以及大潜在距离的不同节点之间缺少链接。总体而言，这些结果表明特定链路预测任务越难，应该考虑使用双曲线几何越严重。
含时图的节点嵌入
原文标题： Node Embedding over Temporal Graphs
地址： http://arxiv.org/abs/1903.08889
作者： Uriel Singer, Ido Guy, Kira Radinsky
摘要： 在这项工作中，我们提出了一种在含时图中嵌入节点的方法。我们提出了一种算法，该算法随时间学习含时图的节点和边的演化，并将该动态结合在用于不同图预测任务的时间节点嵌入框架中。我们提出了联合损失函数，其通过学习组合其历史时间嵌入来创建节点的时间嵌入，使得其优化每个给定任务（例如，链路预测）。使用静态节点嵌入来初始化算法，然后在不同时间点对节点的表示进行对齐，并最终在联合优化中适应给定任务。我们评估了我们的方法相对于竞争基线和算法替代方案的时间链路预测和多标签节点分类这两个基本任务的各种含时图的有效性。我们的算法显示了许多数据集和基线的性能改进，并且对于具有较低内聚性和较低聚类系数的图表尤其有效。
子图网络在结构特征空间扩展中的应用
原文标题： Subgraph Networks with Application to Structural Feature Space Expansion
地址： http://arxiv.org/abs/1903.09022
作者： Qi Xuan, Jinhuan Wang, Minghao Zhao, Junkun Yuan, Chenbo Fu, Zhongyuan Ruan, Guanrong Chen
摘要： 本文引入子图网络（SGN）的概念，然后应用于网络模型，设计用于构造一阶和二阶SGN的算法，可以很容易地扩展到构建高阶网络模型。此外，这些SGN用于扩展底层网络的结构特征空间，有利于网络分类。数值实验表明，与仅基于一个或两个这样的网络的模型相比，基于原始网络的结构特征以及一阶和二阶SGN的网络分类模型总是表现最佳。换句话说，无论使用何种特征提取方法，例如手工，网络嵌入和基于内核的方法，SGN的结构特征都可以补充原始网络的结构特征以实现更好的网络分类。更有趣的是，发现基于手工制作的特征的模型比基于自动生成的特征的模型表现得更好，至少对于本研究中测试的大多数数据集而言。这表明，通常，正确选择的结构特征不仅由于其明确的物理意义而更易于解释，而且在设计基于结构的网络分类算法方面也是有效的。
网络共识模型的可控性Gramian子矩阵
原文标题： Controllability-Gramian Submatrices for a Network Consensus Model
地址： http://arxiv.org/abs/1903.09125
作者： Sandip Roy, Mengran Xue
摘要： 对于具有网络节点子集输入的网络共识模型，检查可控性Gramian的主要子矩阵及其逆。具体而言，Gramian子矩阵的几个性质及其反转 - 包括主要特征值和特征向量，对角线条目和符号模式 - 的特征在于利用矩阵的特殊双非负结构。此外，基于模型的扩散形式，根据网络图中的割集来获得这些属性的主要化。还分析了可控性Gramian的渐近（长时间范围）结构。 Gramian的结果用于研究网络共识模型的目标控制的度量。
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