- CAGNN：用于无监督图表示学习的考虑聚类的图神经网络;
- 危机时期城市移动性模拟的自适应强化学习模型;
- 人工智能创新的步伐：速度、才智和反复试验;
- 具有随机异步规则的有界置信观点动力学的拟同步;
- 平等的合作伙伴在防守联盟中表现更好;
- Twitter如何影响公众舆论：两个案例研究;
- 网络上事件流的在线社区检测;
- 应用SIR感染理论的有效感染机会人群（EIOP）假设;
CAGNN：用于无监督图表示学习的考虑聚类的图神经网络
原文标题： CAGNN: Cluster-Aware Graph Neural Networks for Unsupervised Graph Representation Learning
地址： http://arxiv.org/abs/2009.01674
作者： Yanqiao Zhu, Yichen Xu, Feng Yu, Shu Wu, Liang Wang
摘要： 无监督图表示学习旨在学习低维节点嵌入而无需监督，同时保留图的拓扑结构和节点属性。先前的图神经网络（GNN）需要大量标记的节点，在现实世界的图数据中可能无法访问。在本文中，我们提出了一种新颖的基于聚类的图神经网络（CAGNN）模型，用于使用自监督技术进行无监督的图表示学习。在CAGNN中，我们对节点嵌入执行聚类，并通过预测聚类分配来更新模型参数。此外，我们观察到图通常包含类间边，这会误导GNN模型来聚合来自邻域节点的嘈杂信息。我们通过增强类内边并减少基于聚类标签的不同类之间的节点连接来进一步完善图拓扑，从而更好地在嵌入空间中保留聚类结构。我们使用实际数据集对两个基准任务进行了全面的实验。结果证明了所提出的模型优于现有基准方法的性能。值得注意的是，与最新技术相比，我们的模型在节点群集的准确性方面提高了7％以上。
危机时期城市移动性模拟的自适应强化学习模型
原文标题： Adaptive Reinforcement Learning Model for Simulation of Urban Mobility during Crises
地址： http://arxiv.org/abs/2009.01359
作者： Chao Fan, Xiangqi Jiang, Ali Mostafavi
摘要： 这项研究的目的是提出并测试一种自适应强化学习模型，该模型可以学习正常情况下的人类活动模式，并模拟由洪水，野火和飓风等危机引起的扰动期间的活动性。了解和预测诸如目的地和轨迹选择之类的人员流动模式，可以为紧急情况中断造成的交通拥堵和道路封闭提供信息。与人类运动轨迹有关的数据非常稀缺，尤其是在紧急情况下，这限制了从经验数据中学到的现有城市交通模型的应用。需要具有能够从正常情况下生成的数据中学习流动模式并能够适应紧急情况的模型，以为紧急情况响应和城市应变评估提供信息。为了解决这一差距，本研究创建并测试了自适应强化学习模型，该模型可以预测运动的目的地，估计每个起点和终点对的轨迹，并检查摄动对人类与目的地和轨迹有关的决策的影响。在休斯敦和2017年8月哈维飓风造成的洪水情境下，该模型的应用得到了证明。结果表明，该模型可以实现76％以上的精度和召回率。结果还表明，该模型可以预测由于城市洪灾导致的交通方式和拥堵。分析结果证明了该模型在危机期间分析城市流动性的能力，可以使公众和决策者了解应对策略和应变计划，以减少危机对城市流动性的影响。
人工智能创新的步伐：速度、才智和反复试验
原文标题： The Pace of Artificial Intelligence Innovations: Speed, Talent, and Trial-and-Error
地址： http://arxiv.org/abs/2009.01812
作者： Xuli Tang, Xin Li, Ying Ding, Min Song, Yi Bu
摘要： 人工智能（AI）的创新速度比以往任何时候都快。但是，很少有研究能够衡量或描述AI领域不断增长的创新速度。在本文中，我们结合了来自arXiv和Semantic Scholar的AI数据，从AI出版物，AI播放器和AI更新（尝试和错误）这三个角度探讨了AI创新的步伐。提出了一个研究框架和三个新指标，即平均时间间隔（ATI），创新速度（IS）和更新速度（US），以衡量AI领域的创新步伐。结果表明：（1）在2019年，每小时向arXiv提交3个以上的AI预印本，比1994年快148倍。此外，2019年每0.87小时向arXiv提交一个与深度学习相关的预印本，比1994年快了1,064倍。（2）对于AI玩家，2019年每小时有5.26名新研究人员进入AI领域，比1990年代快175倍以上。 （3）关于AI更新（尝试和错误），每41天向arXiv提交一份更新的AI预印本，其中约33％的AI预印本在2019年至少更新了两次。此外，如2019年所述，它AI预印本平均只花了0.2年左右的时间就获得了第一批引文，比2000-2007年快5倍。人工智能的飞速发展说明了人工智能创新的普及。对AI领域的系统且细粒度的分析能够描绘AI创新的步伐，并证明所提出的方法可用于理解其他快速发展的领域，例如癌症研究和纳米科学。
具有随机异步规则的有界置信观点动力学的拟同步
原文标题： Quasi-synchronization of bounded confidence opinion dynamics with stochastic asynchronous rule
地址： http://arxiv.org/abs/2009.01455
作者： Wei Su, Xueqiao Wang, Ge Chen, Kai Shen
摘要： 最近，Hegselmann-Krause（HK）动力学的噪声诱导同步理论已经得到了很好的发展。作为有限信任度的典型意见动态，HK模型遵循同步更新规则，即 emph all主体在每个时间点检查并更新其意见。但是，包括噪声在内的异步有界置信度模型（包括著名的Deffuant-Weisbuch（DW）模型）是否可以通过噪声进行同步尚未得到理论证明。本文提出了一种具有随机异步规则的广义有界置信度模型。该模型以DW模型和HK模型为特例，可以将有界置信度模型推广到实际应用。我们发现，与同步HK模型相比，异步模型具有不同的基于噪声的同步行为。通常，在噪声的驱动下，HK动力学几乎可以肯定地实现 emph的准同步。对于异步动力学，我们证明该模型可以实现准同步 emph in平均，这是一种新型的准同步，其弱于“几乎肯定”的意义。结果统一了有界置信观点动力学的噪声诱导同步理论，从而首次从理论上证明了DW模型的噪声诱导同步。此外，研究结果为开发具有随机异步规则的更复杂的社会舆论系统的基于噪声的控制策略提供了理论基础。
平等的合作伙伴在防守联盟中表现更好
原文标题： Equal partners do better in defensive alliances
地址： http://arxiv.org/abs/2009.01574
作者： Marcell Blahota, Istvan Blahota, Attila Szolnoki
摘要： 循环优势不仅提供了维持生物多样性的方式，而且还可以作为防御外部入侵者的防御联盟。有趣的是，当存在两个循环回路时，可以观察到新的竞争水平。在这里，内部入侵速度对演化结果起决定性作用，因为更快的入侵速度为联盟提供了演化优势。在这封信中，我们证明了内部入侵率的异质性使联盟容易受到群体成员相等的循环的攻击。出乎意料的是，即使后一组的平均入侵速度明显更高，但入侵速度均匀的环路仍然可以支配由异构速率形成的联盟。在参数空间的特定范围内，当组间入侵或平均内部入侵为中等时，具有较高内部入侵速度的异构联盟可能会占优势，或者系统会终止于新颖的4或5物种解。
Twitter如何影响公众舆论：两个案例研究
原文标题： How Twitter affects the perception of public opinion: Two case studies
地址： http://arxiv.org/abs/2009.01666
作者： Felix Gaisbauer, Armin Pournaki, Sven Banisch, Eckehard Olbrich
摘要： 本文通过转发和回复的网络表示分析了Twitter上的公开辩论。我们认为，在Twitter上可观察到的推文对公众舆论的感知既有直接影响，也有中介作用。在此基础上，我们表明，通过两个网络表示形式的相互作用，可以研究平台上的哪些意见组主要影响着公众意见，而哪些意见组却保持了不成比例的沉默。该方法用于观察有关两个事件的公开辩论：撒克逊州选举和2019年除夕在莱比锡市发生的暴力骚乱。我们表明，在这两种情况下，（i）不同的舆论团体展现出不同的参与辩论的倾向，因此对公众舆论产生不平等的影响。向右派政党和政客转推权利的用户更加活跃，因此他们的位置不成比例地可见。 （ii）所说的用户主要将他们的回答引导到其他意见组，因此表现得更具对抗性，而事实并非如此。
网络上事件流的在线社区检测
原文标题： Online Community Detection for Event Streams on Networks
地址： http://arxiv.org/abs/2009.01742
作者： Guanhua Fang, Owen G. Ward, Tian Zheng
摘要： 网络建模的共同目标是揭示节点之间存在的潜在社区结构。对于许多现实世界的网络，观察到的连接由事件组成，这些事件以流的形式到达，然后将其聚合以形成边，而忽略时间动态分量。考虑交互的这种时间动态成分的自然方法是使用点过程作为社区检测网络模型的基础。计算复杂性妨碍了这种方法对大型稀疏网络的可扩展性。为了规避这一挑战，我们提出了一种快速的在线变分推理算法，用于使用连续时间点过程潜在网络模型来学习网络上动态事件到达的社区结构。我们对该程序的损失函数提供了遗憾的界限，为性能提供了理论上的保证。使用仿真研究和实际数据对所提出的算法进行了说明，就社区结构而言，与非在线变量相比，该算法在社区结构方面具有可比的性能。我们提出的框架也可以很容易地修改为包含其他流行的网络结构。
应用SIR感染理论的有效感染机会人群（EIOP）假设
原文标题： Effective Infection Opportunity Population (EIOP) Hypothesis in Applying SIR Infection Theory
地址： http://arxiv.org/abs/2009.01837
作者： Hiroshi Isshiki, Masao Namiki, Takeshi Kinoshita, Ryosuke Yano
摘要： 由Kermack-Mckendrick于1927年提出的SIR感染理论讨论了在具有统一特性（如均匀人口分布）的孤立人群中的感染。在感染中，存在两个方面：（1）数量方面和（2）时间方面。由于SIR理论是均场理论，因此无法同时匹配两个方面。如果定量方面匹配，则时间方面无法匹配，反之亦然。感染从群集开始，并传播到不同的地方，从而增加了感染的规模。通常，即使是在大城市中发生感染的情况下，感染也会在有限的人群中传播。纳米木发现并称这类人口为有效人口。他建议，如果采用假设，则可以在数量和时间方面同时进行匹配。
声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，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