- 一组新的聚类驱动的合成发展指标;
- 从推文的句子嵌入追踪州级肥胖患病率：一个可行性研究：;
- 两派社会网络中的意见分歧和极化;
- 自阻尼动力系统的成本最低的网络估计的复杂性;
- 大规模的动力系统的结构可控性最小驱动节点：节点分类;
- 动态网络中的创新：发散性思维如何受到同伴选择的影响;
- 无标度复杂网络的闭合系数;
- 神经变分推理动态网络的统计模型;
- 利用自符号化序列建模的生成性含时链路预测;
- 利用被动收集的轨迹数据评估异常事件对旅行模式的影响;
- 感知碳足迹的用户研究;
- 网络嵌入综述;
一组新的聚类驱动的合成发展指标
原文标题： A new set of cluster driven composite development indicators
地址： http://arxiv.org/abs/1911.11226
作者： Anshul Verma, Orazio Angelini, Tiziana Di Matteo
摘要： 决策往往主观地使用复合发展的指标聚集有限的一组指标。我们发现，使用降维技术，包括主成分分析（PCA），并首次信息过滤和聚类，这些综合指标错过的不同指标之间的关系的关键信息。特别是，通过主题指标的分组并不反映在全球和地方层面的数据。我们使用的指标聚类建立一套新的集群带动复合发展的指标是客观的，数据驱动的，国家之间的可比性克服这些问题，并保留可解释性。我们讨论告知决策者关于国家的发展，他们与顶级的PageRank指标为基准，比较它们的后果。最后，我们证明了我们一套新的综合发展指数跑赢上的数据集或改建任务的基准。
从推文的句子嵌入追踪州级肥胖患病率：一个可行性研究：
原文标题： Tracing State-Level Obesity Prevalence from Sentence Embeddings of Tweets: A Feasibility Study
地址： http://arxiv.org/abs/1911.11324
作者： Xiaoyi Zhang, Rodoniki Athanasiadou, Narges Razavian
摘要： Twitter的数据已经显示出广泛适用于公共卫生监测。根据Twitter上的数据之前的公共卫生研究在很大程度上依赖于关键字匹配或集群相关的tweet主题模型。然而，这两种方法从文本的短长度和不可预知的噪音天然存在于用户生成的情境受到影响。对此，我们引入了深刻的学习方法，使用＃标签作为监督的一种形式，并学会鸣叫用于提取信息文本特征的嵌入。在这个案例中，我们要解决的膳食有关的文字特征估计国家级肥胖的具体任务。我们的方法得到的估计是强相关的文字特征政府公布的数据，优于关键字匹配的基线。结果还表明发现使用文本特征危险因素的潜力。这种方法是通用的，可以适用于广泛的基于Twitter的公共健康研究的。
两派社会网络中的意见分歧和极化
原文标题： Disagreement and Polarization in Two-Party Social Networks
地址： http://arxiv.org/abs/1911.11338
作者： Yuhao Yi, Stacy Patterson
摘要： 我们调查与两个信息来源偏光板社会网络分歧和极化。首先，我们定义在舆论动态的两方领导者 - 追随者模型的分歧和极化指数。然后，我们给出的索引表达式图的拉普拉斯的条款。表达表明这些量和电阻距离和双调和距离的概念之间的关系。接下来，我们研究设计的网络的问题，以尽量减少分歧和极化。我们给出最佳分歧和极化条件，并且进一步地，我们表明，随动节点的分歧和偏振的线性组合是跟随者之间的边的权重的一个凸函数。我们提出的算法，解决了一些有趣的例子一些相关的连续和离散优化问题和也出席了分析结果。
自阻尼动力系统的成本最低的网络估计的复杂性
原文标题： On the Complexity of Minimum-Cost Networked Estimation of Self-Damped Dynamical Systems
地址： http://arxiv.org/abs/1911.11381
作者： Mohammadreza Doostmohammadian, Usman Khan
摘要： 在本文中，我们考虑网络估计的优化设计，以尽量减少网络可观测性约束下的通信/测量成本。这个问题被称为最小成本联网估计问题，其通常声称是NP难题。这项工作的主要贡献是提供针对此问题的根本动力系统是自阻尼的约束下多项式级解决方案。使用结构分析，我们细分的主要问题为被称为（I）最优传感器选择，和（ii）最小成本通信网络中的两个NP-硬子问题。对于自阻尼动力系统，我们提供了子问题（我）一个多项式级解决方案。此外，我们表明，子问题（ii）中的多项式阶复杂如果通信网络中的链路是双向的。我们提供一个说明性的例子来解释的方法。
大规模的动力系统的结构可控性最小驱动节点：节点分类
原文标题： Minimal Driver Nodes for Structural Controllability of Large-Scale Dynamical Systems: Node Classification
地址： http://arxiv.org/abs/1911.11388
作者： Mohammadreza Doostmohammadian
摘要： 本文考虑的最小控制输入以影响系统的问题指出，使得所得系统在结构上是可控的。这个问题和最小的可观测性的双重问题都声称没有多项式级精确解，因此，是NP难问题。在此，采用图论的方法，这个问题就解决了一般非线性（以及结构不变）系统和提出了一种P-顺序溶液。在这个方向上，所述动力系统被建模为一个有向图，称为 textit 系统有向图，并介绍了两种类型的图组分，它们被紧密地与结构的可控性有关。两种类型的需要被影响（或驱动）由输入节点，称为 textit 驱动器节点被定义，并且获得这些驱动器节点的最小数量。多项式阶的给定算法的复杂度来求解大型动力系统的分析溶液的问题确保适用性。相比于现有文献，其提供近似和计算效率低的，例如本文的结构的结果是显著Gramian矩阵为基础，对解决问题的办法，而这纸上，较低的计算复杂性和适用于非线性系统的可控性分析精确解。
动态网络中的创新：发散性思维如何受到同伴选择的影响
原文标题： Creativity in dynamic networks: How divergent thinking is impacted by one's choice of peers
地址： http://arxiv.org/abs/1911.11395
作者： Raiyan Abdul Baten, Daryl Bagley, Ashely Tenesaca, Famous Clark, James P. Bagrow, Gourab Ghoshal, Mohammed Ehsan Hoque
摘要： 创新被视为在未来的工作的情况下最重要的技能之一。在本文中，我们探索的真正的社会网络影响的动态（自组织）性质如何创意的培养。我们运行涉及发散思维任务提供了基于Web的实验的6个试验（N = 288）。我们发现，网络连接逐渐适应个人的创意表演，参加者主要是寻求遵循高性能同龄人的创意灵感。我们发掘机遇与通过这种自组织给予的瓶颈。虽然暴露于高执行同行与追随者更好的创意表演相关的，我们看到了反效果选择遵循同样的同行介绍了追随者的想法语义冗余。我们制定基于主体的仿真模型上列出了这些过程的影响。我们的研究结果可能有助于设计大规模的干预措施，以提高人们在社会网络互动的创作才能。
无标度复杂网络的闭合系数
原文标题： Closure coefficients in scale-free complex networks
地址： http://arxiv.org/abs/1911.11410
作者： Clara Stegehuis
摘要： 三角形的复杂网络的形成已经收到了巨大的关注的一个重要的网络性能。近日，被介绍给测量三元闭合的新方法：关闭系数。此统计数据测量从一个三角形的头节点聚类（而不是从中心节点，如在经常研究聚类系数）。我们分析地方封闭系数在创建简单的网络，幂律度随机图模型的行为：隐变量模型和双曲随机图。我们表明，封闭系数表现在这些简单的随机图模型比在其行为之前研究了多图模型显著不同。我们还表明，封闭系数可以与聚类系数和平均近邻度。
神经变分推理动态网络的统计模型
原文标题： A Statistical Model for Dynamic Networks with Neural Variational Inference
地址： http://arxiv.org/abs/1911.11455
作者： Shubham Gupta, Rui M. Castro, Ambedkar Dukkipati
摘要： 在本文中，我们提出了一个统计模型，动态发展的网络，具有变推理方法一起。我们的模型，我们称之为动态潜在属性交互模型（DLAIM），编码在不同的时间点快照边的依赖。它表示通过潜属性节点和使用属性相互作用矩阵来边的存在建模。两者都允许随时间演变，从而使我们能够捕捉到网络的动态。我们开发了一个基于神经网络的变分推理过程，提供学习模型参数的适当方式。 DLAIM的主要优点是：（i）它是灵活的，因为它没有对网络演进严格的假设条件不同于现有的方法，（ii）其适用于直接和无向网络，更重要的是，（III）了解到节点属性和相互作用基质可以是可解释的，并且因此提供在后面网络演进的机制的见解。相比于现有的方法对现实世界的网络做了链路预测任务的实验结果表明我们的模型的卓越性能。
利用自符号化序列建模的生成性含时链路预测
原文标题： Generative Temporal Link Prediction via Self-tokenized Sequence Modeling
地址： http://arxiv.org/abs/1911.11486
作者： Yue Wang, Chenwei Zhang, Shen Wang, Philip S. Yu, Lu Bai, Lixin Cui, Guandong Xu
摘要： 我们正式网络不断发展的结构用作临时网络，提出了一种生成链路预测模型，剖成路段序列建模（GLSM），来预测时间网络未来的链接。 GLSM从与序列建模框架所观察到的链接捕获时间链接形成模体，并且具有由从上未来的潜在链接的概率分布推断来生成新兴链接的能力。为了避免被处理的各个环节作为一个独特的标记过拟合引起的，我们提出了一个自我符号化机制，网络中的每个原链路转换为自动令牌一个抽象的集合。自标记化无缝集成到序列建模框架，其允许所提出的模型GLSM有泛化能力发现超出原链路序列链路形成模体。我们比较GLSM有五个真实世界的数据集的存在状态的最先进的方法。实验结果表明，GLSM未来取得积极的生成方式有效链接，同时实现其他备选方案中的最佳性能（AUC上2-10 ％提高）。
利用被动收集的轨迹数据评估异常事件对旅行模式的影响
原文标题： Assessing Impacts of Abnormal Events on Travel Patterns Leveraging Passively Collected Trajectory Data
地址： http://arxiv.org/abs/1911.11633
作者： Feilong Wang, Xiangyang Guan, Cynthia Chen
摘要： 旅游模式可以通过异常事件受到影响。评估的影响已经为救援行动的重要意义和改进防备或规划未来事件。以往，在评估完成之后的数据收集从后事件的调查，这在经济上是昂贵的，痛苦的低响应速度，费时，通常延迟在灾难发生后几个月（甚至几年），导致低效和不可靠的评估并创造救援组织的障碍，达到需要的人。智能手机和服务的普及程度使他们不断产生大量的轨迹数据（例如，基于应用，呼叫记录数据，数据），含大量的用户。这些轨迹数据是被动的，及时收集，并没有额外的成本和包含个人的数量庞大的旅游模式的信息在一个区域的延长时间（例如，几个月到几年）。我们提出了一个框架，以评估对使用这些数据的旅行模式的影响。利用被动收集的轨迹数据，建议框架的目的是捕捉和理解的旅游格局变化的全部范围，这有助于评估谁，何时以及如何在一定区域内人们的影响。拟议的框架适用于含有约一百万匿名用户的半年度轨迹，以评估飓风哈维的影响（在美国历史上第二最昂贵飓风）的移动电话轨迹数据集。结果验证和表明，该框架可以提供旅游模式哈维的影响，这可能会引导到响应，并从影响经济复苏的一个全面的评估。
感知碳足迹的用户研究
原文标题： A User Study of Perceived Carbon Footprint
地址： http://arxiv.org/abs/1911.11658
作者： Victor Kristof, Valentin Quelquejay-Leclère, Robin Zbinden, Lucas Maystre, Matthias Grossglauser, Patrick Thiran
摘要： 我们提出了一个统计模型来理解人的碳足迹的看法。通过观察，很少有人想到在绝对数量CO2的影响带动下，我们从他们的行动相对碳足迹的简单配对比较设计一个系统来探测人们的看法。该模型的制定使我们能够采取积极的学习方法来选择对的是最大限度地提供信息对模型参数的动作。我们定义了一组18个行动和收集的来自176个用户2183和比较的数据集在大学校园内。早期的结果显示有前途的方向，以改善气候沟通，增进减缓气候变化。
网络嵌入综述
原文标题： Network Embedding: An Overview
地址： http://arxiv.org/abs/1911.11726
作者： Nino Arsov, Georgina Mirceva
摘要： 网络是现实世界中的建模问题上最强大的结构之一。在网络上定义下游机器学习任务必须解决各种问题的潜力。随着链路预测，例如，可以预测两个人是否会成为社会网络上的朋友。许多机器学习算法，但是，需要的是每个输入例如是实数向量。网络嵌入包含各种方法无监督，有时监督，学习在网络中的节点和链路的特征表示。通常情况下，嵌入方法是基于网络中的节点之间的相似性，应在学习的特征陈述中反映的假设。在本文中，我们回顾了在过去十年中，以网络嵌入显著的贡献。特别是，我们看到四种方法：谱聚类，DeepWalk，大规模信息网络嵌入（LINE），和node2vec。我们描述每一种方法，并列出其优点和缺点。另外，我们给出网络中的嵌入是为了最大限度地提高机器学习任务的预测性能至关重要的现实世界的机器学习问题的例子。最后，我们在网络嵌入研究一下研究的趋势和国家的最先进的方法。
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