- 原型城市水安全弹性动态;
- 基于递归图神经网络的归纳图表示学习;
- 将无标度特征与Zipf定律联系起来的合理证据;
- 无标度网络模体的变分原理;
- 基于“消费者退税”欺诈的金字塔方案模型;
- 通过编辑修订网络中的模体理解有争议的维基百科文章的签名;
- 组合网络嵌入;
- 预测全球创业网络的成功;
- 新的密集子图发现初步尝试：风险规避和排除查询;
- 在线种植：农业问答社区的问题路径选择;
- 任意汽车跟随模型中车道变换动力学松弛现象的公式;
原型城市水安全弹性动态
原文标题： Resilience Dynamics of Urban Water Security in Archetype Cities
地址： http://arxiv.org/abs/1904.07863
作者： Elisabeth H. Krueger, Dietrich Borchardt, James W. Jawitz, Harald Klammler, Soohyun Yang, Jonatan Zischg, P. Suresh C. Rao
摘要： 城市是社会经济创新的驱动力，也被迫解决当前和未来供水等基本服务失败的加速风险。在这项贡献中，我们调查了城市供水安全的复原力，这是根据公民获得的服务来定义的。服务的弹性取决于关键系统要素的可用性和稳健性，或“资本”（水资源，基础设施，财务，管理效能和社区适应）。我们将来自四大洲七个对比城市的资本组合的定量信息转换为耦合系统动力学模型的参数。每个城市的供水服务都会因反复出现的随机冲击而中断，我们会模拟影响和恢复周期的动态。弹性在各种约束下出现，以每个城市的资本组合表示。对参数空间的系统评估产生了城市水弹性景观，我们确定每个城市沿着这个景观的连续梯度的位置。在一些城市，随机扰动机制挑战稳态条件并推动系统崩溃。动态系统行为的比较确定了三个主要系统类别：1）水不安全和非弹性城市，这些城市有可能陷入贫困陷阱; 2）转型中的城市; 3）水安全和富有弹性的城市，其中一些城市已经出现了过剩的资本，并且有可能陷入僵化困境。在1）和2）社区适应显著提高了水安全性和恢复力。我们的研究结果为全球城市供水系统的未来管理潜力提供了见解。
基于递归图神经网络的归纳图表示学习
原文标题： Inductive Graph Representation Learning with Recurrent Graph Neural Networks
地址： http://arxiv.org/abs/1904.08035
作者： Binxuan Huang, Kathleen M. Carley
摘要： 在本文中，我们研究了图神经网络的节点表示学习问题。我们提出了一个名为递归图神经网络（RGNN）的图神经网络类，它解决了现有方法的缺点。通过使用循环单元来捕获跨层的长期依赖性，我们的方法可以在递归邻域扩展期间成功识别重要信息。在我们的实验中，我们展示了我们的模型类在三个基准测试中实现了最先进的结果：Pubmed，Reddit和PPI网络数据集。我们的深入分析还表明，结合循环单元是一种简单而有效的方法，可以防止图中的噪声信息，从而实现更深层的图神经网络。
将无标度特征与Zipf定律联系起来的合理证据
原文标题： A sensible proof connecting the scale-free feature with the Zipf-law
地址： http://arxiv.org/abs/1904.08065
作者： Fei Ma
摘要： 自然界和社会中的大多数大型复杂系统可以很好地描述为复杂的网络（图），以更好地理解其背后的演化机制和动力学功能。某些部分遵循无标度行为，即，度数大于或等于 k 的顶点数的比率和整个网络的顺序服从表达式 P_ cum（k） sim k ^ 1- gamma （ 2 < gamma <3 ）。同时，满足这个 f_ r sim r ^ - alpha （ alpha 接近统一）的Zipf-law在许多复杂系统中也很普遍，例如文本中的字频和城市规模。可以很容易地注意到，上述两者具有相同类型的外观，即已知的幂律。与通过连续统理理论分析证明的无标度特征相比，到目前为止，后者在大多数情况下仍被认为是许多科学界的经验原则，特别是在社会科学中。由于这个原因，需要指出两者之间的内部连接或区分彼此的差异。这里，对于任意给定的 N 无标度网络模型，我们报告了基于顶点排名的无标度特征和Zipf定律之间的等价关系。通过严格的数学推导，我们消除了缺口，缺乏Zipf定律的理论基础。因此可以确信，采用已经用于研究复杂网络的方法来制定Zipf定律是合理的
无标度网络模体的变分原理
原文标题： Variational principle for scale-free network motifs
地址： http://arxiv.org/abs/1904.08114
作者： Clara Stegehuis, Remco van der Hofstad, Johan S. H. van Leeuwaarden
摘要： 对于具有度数遵循幂指数tau in（2,3）的无标度网络，模体（小子图）的结构尚不清楚。我们引入了一种方法，用于识别任何给定模体的主导结构，作为优化问题的解决方案。唯一优化器描述了共同跨越最可能的主题的顶点的度数，从而导致主题计数及其波动的显式渐近公式。然后，我们将所有模体分为两类：具有小波动和大波动的模体。
基于“消费者退税”欺诈的金字塔方案模型
原文标题： A Pyramid Scheme Model Based on "Consumer Rebate" Frauds
地址： http://arxiv.org/abs/1904.08136
作者： Yong Shi, Bo Li, Wen Long
摘要： 有各种类型的金字塔计划给世界上许多人造成或正在造成损失。我们提出了一个金字塔方案模型，它具有近年来出现的许多金字塔计划的主要特征：有希望的高回报，奖励参与者招募下一代参与者，组织者将从他那里找到钱时拿走所有的钱。新参与者不足以支付以前参与者的兴趣和奖励。我们假设金字塔方案分别在树形网络，ER随机网络，SW小世界网络或BA无标度网络中进行，然后给出金字塔方案在这些情况下可以持续多少代的分析结果。我们还使用我们的模型来分析现实世界中的金字塔方案，并且我们发现金字塔方案中的参与者之间的联系可以构成SW小世界网络。
通过编辑修订网络中的模体理解有争议的维基百科文章的签名
原文标题： Understanding the Signature of Controversial Wikipedia Articles through Motifs in Editor Revision Networks
地址： http://arxiv.org/abs/1904.08139
作者： James R. Ashford, Liam D. Turner, Roger M. Whitaker, Alun Preece, Diane Felmlee, Don Towsley
摘要： 维基百科是编辑如何协作形成和维护文章的一个很好的例子。编辑器之间的关系源自其编辑活动序列，导致称为修订网络的有向网络结构，可能对编辑活动有宝贵的见解。在本文中，我们创建了修订网络，以评估有争议和无争议的文章之间的差异，如维基百科所标记的。源于复杂的网络，我们应用motif分析，它决定诱导子结构的不足或过度表示，在这种情况下是三元组的编辑。我们用这种方式分析了21,631篇维基百科文章，并使用主成分分析来考虑它们的主题子图比率曲线之间的关系。结果表明，少数诱导三元组在表征编辑之间的关系中起着重要作用，有争议的文章具有聚类倾向。这为编辑行为和交互捕获反叙事提供了有用的见解，而无需借助语义分析。它还为将来预测有争议的维基百科文章提供了一个潜在有用的功能。
组合网络嵌入
原文标题： Compositional Network Embedding
地址： http://arxiv.org/abs/1904.08157
作者： Tianshu Lyu, Fei Sun, Peng Jiang, Wenwu Ou
摘要： 事实证明，网络嵌入在各种网络分析任务中非常有用，例如节点分类，链路预测和网络可视化。几乎所有现有的网络嵌入方法都学会将节点ID映射到它们对应的节点嵌入。然而，这种设计原则阻碍了现有方法在实际情况中的应用。节点ID不可推广，因此，现有方法必须在冷启动问题上付出巨大努力。异构网络通常需要额外的工作来编码节点类型，因为节点类型不能通过节点ID来识别。节点ID携带稀有信息，导致批评现有方法对噪声不稳健。为了解决这个问题，我们引入了组合网络嵌入，这是一种通用的归纳网络表示学习框架，它通过基于组合原理组合节点特征来生成节点嵌入。我们不是直接优化基于任意节点ID的嵌入查找，而是学习组合函数，通过基于图的损失组合相应的节点属性嵌入来推断节点嵌入。为了评估，我们在四种不同的设置下进行链路预测的实验。结果验证了组合网络嵌入的有效性和泛化能力，特别是对看不见的节点。
预测全球创业网络的成功
原文标题： Predicting success in the worldwide start-up network
地址： http://arxiv.org/abs/1904.08171
作者： Moreno Bonaventura, Valerio Ciotti, Pietro Panzarasa, Silvia Liverani, Lucas Lacasa, Vito Latora
摘要： 通过利用大规模在线数据，我们构建并分析了初创企业之间时变全球职业关系网络。该网络的节点代表公司，而链接模拟员工流动以及跨公司的相关技术转移。我们使用网络中心性措施在早期阶段评估初创企业长期积极表现的可能性，表明启动网络具有预测能力，并提供有价值的建议，使当前的技术水平达到一倍风险基金我们基于网络的方法不仅为风险投资公司的劳动密集型筛选流程提供了有效的替代方案，而且还使企业家和政策制定者能够对创新生态系统的长期潜力进行更客观的评估并实现目标。相应的干预措施。
新的密集子图发现初步尝试：风险规避和排除查询
原文标题： Novel Dense Subgraph Discovery Primitives: Risk Aversion and Exclusion Queries
地址： http://arxiv.org/abs/1904.08178
作者： Charalampos E. Tsourakakis, Tianyi Chen, Naonori Kakimura, Jakub Pachocki
摘要： 在最密集的子图问题中，给定加权无向图 G（V，E，w），具有非负边权重，我们被要求找到节点 S subseteq V 的子集，其最大化度密度 w（S）/ | S | ，其中 w（S）是 S 引起的边权重之和。这个问题是一个研究得很好的问题，被称为 em emst subgraph problem，并且在多项式时间内是可解的。但是当边权重为负时会发生什么？这个问题在多项式时间内仍然可以解决吗？另外，为什么我们应该关注负重量下最密集的子图问题？在这项工作中，我们回答了上述问题。具体来说，我们提供了两种适用于各种应用的新颖图挖掘初步尝试。我们的初步尝试可以用来回答诸如“如何在Twitter上找到一个密集的子图，有很多回复和提及但没有跟随？”的问题，“我们如何提取一个具有高预期回报和低风险的密集子图图”？我们在数学上将这两个问题都表述为具有负权重的图中的密集子图发现的特殊实例。我们研究问题的硬度，并且我们证明了问题通常是NP难的。我们设计了一种有效的近似算法，该算法在小负权重的情况下运行良好，并且对于更一般的情况也是有效的启发式算法。最后，我们对各种现实世界的不确定图进行了实验，并对爬行的Twitter多层图进行了验证，验证了所提出的图元的价值，以及我们提出的算法的实用价值。代码和数据可在 url https://github.com/negativedsd上找到。
在线种植：农业问答社区的问题路径选择
原文标题： Cultivating Online: Question Routing in a Question and Answering Community for Agriculture
地址： http://arxiv.org/abs/1904.08199
作者： Xiaoxue Shen, Liyang Gu, Adele Lu Jia
摘要： 现在，基于社区的问答（CQA）平台在十多亿拥有众包知识的人群中具有启发性。 CQA平台的一个关键设计问题是如何找到潜在的回答者，并提供及时和合适的答案，即所谓的 textit 问题路由问题。最先进的方法通常依赖于从问题文本中提取主题。在这项工作中，我们分析了名为Farm-Doctor的CQA系统中的问题路由问题，该系统专用于农业知识。主要挑战是其问题包含有限的文字信息。为此，我们进行了广泛的测量，并获得了Farm-Doctor的整个知识库，其中包含超过69万个问题和300多万个答案。为了弥补文本缺陷，我们将Farm-Doctor建模为异构信息网络，其中包含丰富的辅助信息，并且基于网络表示学习模型，我们准确地为每个问题推荐极有可能回答它的用户。平均每天收入不到6美元，中国有超过30万农民在农场医生网上寻求农业建议。我们的方法可以帮助这些不那么雄辩的农民进行种植，并希望提供一种改善生活的方法。
任意汽车跟随模型中车道变换动力学松弛现象的公式
原文标题： A formulation of the relaxation phenomenon for lane changing dynamics in an arbitrary car following model
地址： http://arxiv.org/abs/1904.08395
作者： Ronan Keane, H. Oliver Gao
摘要： 本文开发了一种车道变换动力学模型，可应用于任意车辆跟随模型。如果没有车道变换动力学，汽车跟随模型通常会产生不切实际的轨迹，因为它们对车道变换操作引起的空间车头时距变化的反应过于强烈。随着车道变换动力学的增加，汽车跟随模型避免了这些不切实际的行为，并在校准经验数据时实现更好的拟合。可以使用具有物理意义的单个参数来应用车道变换动态，并且可以描述多种类型的车道变换。使用NGSim轨迹数据和三种不同的汽车跟随模型进行验证。
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