- Gillespie算法用于非马尔可夫随机过程;
- 高阶标签同质性和图传播;
- TIES：时间互动嵌入改进Facebook社交媒体的完整性;
- 互联网级别图的实时无索引单源SimRank处理;
- BB_Evac：位置敏感的基于行为的建筑物快速疏散;
- 量化科学演化中的扩展适应;
- 使用地理空间移动代表性特征（ReFGeM）区分人口空间行为;
- BatchLayout：共享存储的批并行力导向图布局算法;
- 块内嵌套性的分辨率极限缺失;
- ITeM：使用独立含时模体总结和比较含时网络;
Gillespie算法用于非马尔可夫随机过程
原文标题： A Gillespie algorithm for non-Markovian stochastic processes
地址： http://arxiv.org/abs/1601.01490
作者： Naoki Masuda, Luis E. C. Rocha
摘要： Gillespie算法提供用于模拟建模为离散的交互的事件，包括社会网络上的生化反应或地震发生，排队过程或尖峰的神经元网络，和流行性和意见形成过程的系统的序列随机动态统计精确的方法。根据经验，对各种现象的，事件之间的时间服从长尾分布。吉莱斯皮算法和它的变体或者假定泊松过程（即，指数分布事件间的时间），使用特定的功能的事件发生率，或工作的非泊松更新过程的时间进程，包括长尾分布的情况下事件间的时间，但在计算成本高。在本研究中，我们提出了拉普拉斯变换的基础上创新的吉莱斯皮算法的更新过程。该算法利用了一个类点过程被表示为泊松的混合物具有不同的事件发生率处理该事实。该方法适用于多元更新过程，其的事件之间的时间生存函数完全单调。它是一种精确算法和作品比最近提出的吉莱斯皮算法一般更新过程，这是确切的只有无穷多个过程的极限速度。我们还建议与事件之间的时间之间的正相关性的可调谐量来生成的事件时间序列的方法。我们证明我们的算法对网络流行过程精确模拟，发现在事件间的时间呈正相关的一个现实的量影响很小疫情动态。
高阶标签同质性和图传播
原文标题： Higher-Order Label Homogeneity and Spreading in Graphs
地址： http://arxiv.org/abs/2002.07833
作者： Dhivya Eswaran, Srijan Kumar, Christos Faloutsos
摘要： 做高阶的网络结构图援助半监督学习？给定一个图和几个标记的顶点，标记剩余的顶点是高冲击的问题，在一些任务，如推荐系统，欺诈检测和蛋白质鉴定申请。然而，传统的方法依赖于边的传播标签，因为所有的边是不相等的被限制。有更强的联系顶点参加高阶结构图，这对于可以在半监督学习任务，利用这些结构的方法调用。为此，我们提出了高阶标签传播（HOLS）使用更高级的结构传播的标签。 HOLS具有较强的理论保证和降低标准标签的基本情况蔓延。通过大量的实验，我们表明，高阶标签除了传播使用三角形边是高达4.7％，好于标签单独使用边扩散。相较于之前传统的国家的最先进和方法，所提出的方法，因而在所有的，但是，1箱子统计显著准确性收益，而其余的快速和可扩展到大图。
TIES：时间互动嵌入改进Facebook社交媒体的完整性
原文标题： TIES: Temporal Interaction Embeddings For Enhancing Social Media Integrity At Facebook
地址： http://arxiv.org/abs/2002.07917
作者： Nima Noorshams, Saurabh Verma, Aude Hofleitner
摘要： 公司自成立以来，Facebook已经成为了在线社交社区的一个组成部分。人们依靠在Facebook上做出与他人建立社区联系。其结果是，这是极为重要的保护这样一个快速增长的网络的完整性的快速和可扩展的方式。在本文中，我们提出了我们对保护各种社会化媒体在实体实的人谁试图滥用我们的平台的努力。我们提出，旨在捕捉流氓的社会交往和标志他们更合适的行动新颖的时空互动的嵌入（领带）模型。领带是一种监督，深度学习，生产准备在Facebook的规模网络模型。诚信问题，在此之前的作品主要集中于捕捉任何社会实体的只有静态或动态的某些特征。相比之下，领带可以捕捉因近期在图嵌入和深序列模式学习的领域取得长足进步的统一模型这两个变种的行为。显示纽带的现实世界的影响，我们提出了几个应用程序特别是对防止误报，假帐户检测蔓延，并减少广告支付，以提高平台的诚信风险。
互联网级别图的实时无索引单源SimRank处理
原文标题： Realtime Index-Free Single Source SimRank Processing on Web-Scale Graphs
地址： http://arxiv.org/abs/2002.08082
作者： Jieming Shi, Tianyuan Jin, Renchi Yang, Xiaokui Xiao, Yin Yang
摘要： 给定图G和G中一个节点u，单个源SimRank查询评估u和在G.每个节点V之间的相似性的现有方法到单个源SimRank计算招致任何长的查询的响应时间，或昂贵的预先计算，这需要每当图G改变要再次执行。因此，我们对它们的认识都不是理想的情形，其中（i）查询处理必须实时完成，及（ii）底层的图G是大规模的，频繁的更新。这个启发，我们提出SimPush，一种新的算法，答案单一来源SimRank查询没有任何预先计算，并在同一时间达到显著较高的查询处理速度甚至比目前最快的基于指数的解决方案。此外，SimPush提供严谨的成绩的好坏保证，其高性能不依赖于底层图的任意很强的假设。具体而言，相对于现有的方法，采用SimPush完全不同的算法设计侧重于（i）识别少数与查询相关的节点，并且随后（II）计算的统计数据，并从仅这些节点执行残余推。我们证明SimPush的正确性，分析它的时间复杂度，并与现有的方法比较其渐近性能。同时，我们评估SimPush通过对8个真实数据集了广泛的实验的实用性能。结果表明，SimPush始终优于所有现有的解决方案，往往在一个数量级。特别是，一种商品的机器上，SimPush答案在含有超过1.33亿节点和下62毫秒5.4十亿边的web图单个源SimRank查询，具有0.00035经验误差，而最快基于索引的竞争者需要1.18秒。
BB_Evac：位置敏感的基于行为的建筑物快速疏散
原文标题： BB_Evac: Fast Location-Sensitive Behavior-Based Building Evacuation
地址： http://arxiv.org/abs/2002.08114
作者： Subhra Mazumdar, Arindam Pal, Francesco Parisi, V.S. Subrahmanian
摘要： 在疏散计划以前的工作假设撤离将遵循指令 - 但是，有充分证据表明，这种情况并非如此。虽然有些人会按照指示，别人会按照自己的愿望。在本文中，我们提出在计划撤离时，人的行为模式是考虑到基于行为的疏散问题（BBEP）的正式定义。我们表明，约束的具体形式可以用来表达这种行为。我们表明，BBEPs可以准确地通过一个叫做BB_IP整数规划通过更快的算法，我们称之为BB_Evac解决，不精确。我们进行了适用于建筑（虽然原则上算法可以应用到任何图）和show两种算法的详细的实验分析，后者是一个数量级比BB_IP快而产生的结果是几乎在一个良好的现实世界上几个综合生成的图表建设图和和。
量化科学演化中的扩展适应
原文标题： Quantifying exaptation in scientific evolution
地址： http://arxiv.org/abs/2002.08144
作者： Márcia R. Ferreira, Niklas Reisz, William Schueller, Vito D.P. Servedio, Stefan Thurner, Vittorio Loreto
摘要： 重新发现的东西，新的功能可以是一样的发现本身一样重要。 1982年，斯蒂芬·杰·古尔德和伊丽莎白·弗巴命名这种现象扩展适应描述生物演化过程中一个特定性状的功能，一个根本性的转变。虽然扩展适应被认为是产生适应性的创新性，多样性和复杂的功能的基本机制，相对较少的努力已经取得了量化生物演化的话题之外扩展适应。我们认为，这一概念提供了用于表征科学创新的出现，一个有用的框架。本文探讨了扩展适应源于科学思想在比它们最初被应用到该地区的其他领域使用的概念。特别是，我们采用归一化熵和逆参与率作为揭示和量化扩展适应的概念可观。我们确定扩展适应的独特的模式和揭露的是显示这些模式的文件的具体例子。我们的做法代表着的扩展适应现象在科学发展的背景下，量化的第一步。
使用地理空间移动代表性特征（ReFGeM）区分人口空间行为
原文标题： Differentiating Population Spatial Behavior using Representative Features of Geospatial Mobility (ReFGeM)
地址： http://arxiv.org/abs/2002.08168
作者： Rui Zhang (1), Kevin G. Stanley (1), Daniel Fuller (2), Scott Bell (1) ((1) University of Saskatchewan, (2) Memorial University)
摘要： 了解人类如何使用和比较分层组占用的空间，无论是通过观察或对照研究，关键是要设计出更好的空间，城市和政策。 GPS数据跟踪提供个人详细的运动模式，但可以是难以解释，由于收集到的数据的规模和范围。对于可操作的见解，GPS轨迹通常是减少到表达的感兴趣的空间现象的一个或多个特征。然而，它并不总是很清楚哪些空间功能应采用，并大量精力可以投入到设计功能，这些可能或可能不会提供洞察力。在本文中，我们提出了一种替代的方法：标准化的功能集以及可对许多数据集可以有效地运行可行的解释。我们发现，这些功能可以不同的人才流动模式的区别，虽然没有单一的特征可以单独区分它们。
BatchLayout：共享存储的批并行力导向图布局算法
原文标题： BatchLayout: A Batch-Parallel Force-Directed Graph Layout Algorithm in Shared Memory
地址： http://arxiv.org/abs/2002.08233
作者： Md. Khaledur Rahman, Majedul Haque Sujon, Ariful Azad
摘要： 力导向算法被广泛用来生成许多科学学科出现图表或网络的美观的布局。为了显现大型图，几个并行算法已经在文献中所讨论的。然而，现有的并行算法不有效地利用存储器层次结构，并通常提供有限的并行性。本文讨论了与BatchLayout这些限制，一种算法，组顶点到minibatches和并行处理它们。 BatchLayout还采用缓存阻断技术，以有效地利用存储器层级。更多的并行的和改进的存储器存取加上力近似技术，更好的初始化，和优化学习率化妆BatchLayout显著快于国家的最先进的其他算法如ForceAtlas2和OpenOrd。从BatchLayout布局的可视化质量比同类的可视化工具相当或更好。我们所有的源代码，链接数据集，结果和日志文件可在https://github.com/khaled-rahman/BatchLayout。
块内嵌套性的分辨率极限缺失
原文标题： Absence of a resolution limit in in-block nestedness
地址： http://arxiv.org/abs/2002.08265
作者： Manuel S. Mariani, María J. Palazzi, Albert Solé-Ribalta, Javier Borge-Holthoefer, Claudio J. Tessone
摘要： 最初在生态网络推测模式中，混合或化合物嵌套模块化模体已被证实，在过去十年中，作为在各种情况下--in生态系统互惠及以后出现的一个相关的结构布置。这意味着移位从嵌套性的测量结果作为一个全局属性（宏观层面）的焦点，该检测块（中间一级），其内部表现出高度的嵌套性的。不幸的是，可用性和方法的理解正确检测块嵌套分区躺在后面的实证研究结果：尽管已经提出了块嵌套结构的精确质量的功能，我们缺乏其可能的内在制约因素的理解。具体来说，虽然众所周知，纽曼 - 格文的模块，以及相关的质量功能，出了名的，从分辨率极限遭受其损害自己的能力来检测小块，分辨率限制在块嵌套结构的潜在存在是未知。在这里，我们提供的经验，数字和分析的证据表明，在块嵌套性功能缺乏分辨极限，因此我们检测到正确的分区在网络中通过其最大化完全取决于优化算法的准确性容量。
ITeM：使用独立含时模体总结和比较含时网络
原文标题： ITeM: Independent Temporal Motifs to Summarize and Compare Temporal Networks
地址： http://arxiv.org/abs/2002.08312
作者： Sumit Purohit, Lawrence B. Holder, George Chin
摘要： 网络是代表不同复杂系统的一个基本的和灵活的方式。如通信，引文，采购，生物学，社会化媒体，交通多个领域可以模拟为一组实体和它们之间的关系。时空网络是一般网络的专业化，其中系统的时间演变是重要的，了解的实体和关系的结构。我们提出独立态基序（项目），以从不同的域表征的时间曲线图。的项目是可用于结构和图的演化模型边不相交的时间基序。对于给定的时间曲线图，我们生产项目频率的特征向量与该分布适用于测量含时图的相似性的任务。我们表明，项目具有比其他主题基于频率的方法更高的精度。我们定义基于项目，揭示时间网络的显著性能的各种指标。我们还提出重点取样为有效估计项目计数的方法。我们评估我们在人工和真实时间网络的方法。
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