- 多主体系统的相变谱;
- 政治结构和单纯复形的拓扑;
- 用于动态图建模的双曲变分图神经网络;
- 时空图卷积网络在城市洪水泛滥中的路网淹没状态预测;
- 顺序分层再生：MCMC用于大状态空间及其在子图计数估计中的应用;
- 从时间序列推断复杂运动的领导动态的框架;
- 2020年大流行期间社区和金融市场的效率;
- 通过信号Lasso推断网络结构;
- mSHINE：异构信息网络嵌入的多元路径同时学习框架;
- 基于图神经网络的结构化引文趋势预测;
- 可校准的Hetero-NodeRank，用于测量节点影响;
多主体系统的相变谱
原文标题： Spectroscopy of phase transitions for multiagent systems
地址： http://arxiv.org/abs/2104.00707
作者： Niccolo Zagli, Valerio Lucarini, Grigorios. A. Pavliotis
摘要： 在本文中，我们研究了弱相互作用的多主体系统的相变。使用线性响应理论，我们通过研究磁化率实部和虚部的特性来探究热力学极限中奇异行为的出现。我们发现明显的证据表明，由于极点越过频率的实轴，导致分析能力下降。这样的行为具有高度的普遍性，因为它既不依赖于所施加的强制，也不依赖于被认为是可观察的。通过研究Desai-Zwanzig和Bonilla-Casado-Morillo模型，我们提出了与平衡和非平衡相变有关的结果。
政治结构和单纯复形的拓扑
原文标题： Political structures and the topology of simplicial complexes
地址： http://arxiv.org/abs/2104.02131
作者： Andrea Mock, Ismar Volic
摘要： 我们使用简单复合物的拓扑结构来模仿[1]中的政治结构。简单复合体是编码结构中相互作用的自然工具，因为单纯形可用于表示兼容主体的子集。我们将楔形，圆锥形和悬浮式操作转换为政治结构的语言，并说明这些结构如何与合并结构和引入调解员相对应。我们介绍了主体人的生存能力和政治体系的稳定性的概念，并研究了它们与简单复杂拓扑之间的相互作用，并在可能的情况下将它们的相互作用转换为范畴理论语言。我们通过将权重分配给与主体同意的问题数量相对应的简化来引入模型的改进。此外，简单复合物的同源性用于检测非生存力，不相容剂的某些循环以及介体的（不）存在。最后，我们从[1]中扩展了一些结果，将生存力和稳定性带入了友好代表团的语言中，并使用同源性检验了R妥协和D妥协的存在。
用于动态图建模的双曲变分图神经网络
原文标题： Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs
地址： http://arxiv.org/abs/2104.02228
作者： Li Sun, Zhongbao Zhang, Jiawei Zhang, Feiyang Wang, Hao Peng, Sen Su, Philip S. Yu
摘要： 图的学习表示形式在广泛的下游应用中起着至关重要的作用。在本文中，我们从三个方面总结了现有技术的局限性：表示空间，建模动力学和建模不确定性。为了弥合这一差距，我们建议首次学习双曲线空间中的动态图表示，其目的是推断随机节点表示。使用双曲空间，我们提出了一种新颖的双曲变分图神经网络，称为HVGNN。特别地，为了对动力学建模，我们基于理论上基于时间的编码方法引入了时间GNN（TGNN）。为了对不确定性进行建模，我们设计了一种基于提出的TGNN的双曲图变分自编码器，以生成双曲正态分布的随机节点表示。此外，我们引入了双曲正态分布的可重采样算法，以实现基于梯度的HVGNN学习。大量实验表明，HVGNN优于实际数据集上的最新基准。
时空图卷积网络在城市洪水泛滥中的路网淹没状态预测
原文标题： Spatio-Temporal Graph Convolutional Networks for Road Network Inundation Status Prediction during Urban Flooding
地址： http://arxiv.org/abs/2104.02276
作者： Faxi Yuan, Yuanchang Xu, Qingchun Li, Ali Mostafavi
摘要： 这项研究的目的是通过使用细粒度交通数据的深度学习框架，根据自身和相邻路段的当前状态来预测路段的近期洪水泛滥状态。对路网状况的态势感知进行预测性洪水监测在支持危机应对活动（例如评估医院和庇护所的通行性丧失）方面发挥着至关重要的作用。缺少与路段一级道路网络洪水状态的近期预测相关的现有研究。本研究使用与路段相关的细粒度交通速度数据，设计并实施了三个时空图卷积网络（STGCN）模型，以在2017年哈维飓风在背景中预测路段一级洪水事件期间的路网状态哈里斯县（美国得克萨斯州）。考虑到路段之间的邻接和距离，模型1由两个时空块组成，而模型2包含一个额外的高程块，以解决路段之间的高程差。模型3包括三个模块，用于考虑路段之间的距离以及距离和高程差的乘积。分析测试了STGCN模型并评估了它们的预测性能。我们的结果表明，模型1和模型2具有可靠和准确的性能，可在不久的将来（例如2-4小时）预测路网洪水状态，模型的精确度和召回率分别大于98％和96％。借助可靠的洪水路网状态预测，该模型可以使受影响的社区受益，避免道路被淹，应急管理机构可以实施疏散和救济资源交付计划。
顺序分层再生：MCMC用于大状态空间及其在子图计数估计中的应用
原文标题： Sequential Stratified Regeneration: MCMC for Large State Spaces with an Application to Subgraph Counting Estimation
地址： http://arxiv.org/abs/2012.03879
作者： Carlos H. C. Teixeira, Mayank Kakodkar, Vinícius Dias, Wagner Meira Jr., Bruno Ribeiro
摘要： 这项工作考虑了一般任务，即在给定邻居查询访问权限以及对整个网络的访问费用过高的情况下，估计图边上有界函数之和。为了估算这个总和，现有工作提出了使用从某些种子顶点开始的随机游走的马尔可夫链蒙特卡洛（MCMC）方法，其平衡分布是所有边上的均匀分布，从而无需遍历所有边。不幸的是，这些现有的估算器无法扩展到大量的现实世界图。在本文中，我们介绍了Ripple，它是一种基于MCMC的估计器，它通过使用表示为 em连续分层再生的新技术，将Markov链状态空间分层为有序分层，从而实现了前所未有的可扩展性。我们表明，Ripple估计量是一致的，高度可并行化的，并且伸缩性很好。我们通过在给定某些输入图的情况下将Ripple应用于估计连接的诱导子图计数的任务来凭经验评估我们的方法。其中，我们证明了Ripple是准确的，并且可以估计多达 12 个节点的子图，这是一项规模庞大的任务，不仅被以前的基于MCMC的方法而且被其他抽样方法认为是无法达到的。例如，在此目标应用程序中，我们给出的结果中，马尔可夫链状态空间大至 10 ^ 43 ，Ripple计算得出的平均估计时间少于 4 小时。
从时间序列推断复杂运动的领导动态的框架
原文标题： Framework for Inferring Leadership Dynamics of Complex Movement from Time Series
地址： http://arxiv.org/abs/2104.02291
作者： Chainarong Amornbunchornvej, Tanya Berger-Wolf
摘要： 领导在诸如狩猎，移民，体育，外交谈判等协调活动中，在人类，决策，合并等社会动物中起着关键作用。实现集体目标。理解协调活动的启动可以使科学家对社会物种的行为有更多的理解。但是，仅通过使用活动的时间序列数据，就可以通过发起协调活动来推断领导能力面临许多挑战性的问题。首先，协调的活动是动态的，并且会随着时间而变化。其次，在子组之间可能同时发生几种不同的协调活动。第三，没有基本概念来描述这些活动。在本文中，我们将派系发起者推理问题形式化，并提出一个领导者推理框架作为该问题的解决方案。该框架不假设领导者的特征或协调过程的参数。该框架在模拟数据集和生物学数据集（鱼类群）中的表现均优于我们的非平凡基线。此外，我们展示了我们的框架作为研究野生狒狒轨迹的另一个生物学数据集上的组合并和分裂动力学的工具的应用。此外，我们的问题形式化和框架使科学家有机会分析协调的活动并生成有关集体行为的科学假设，这些假设可以进行统计和现场检验。
2020年大流行期间社区和金融市场的效率
原文标题： Efficiency of communities and financial markets during the 2020 pandemic
地址： http://arxiv.org/abs/2104.02318
作者： Nick James, Max Menzies
摘要： 本文调查了20个国家/地区COVID-19大流行的蔓延，实体经济状况和财务指标表现之间的关系。首先，我们针对三个多元时间序列之一分析哪些国家在2020年的表现类似：每日COVID-19病例，社区流动性数据和国家股权指数价格。接下来，我们一起研究所有这三个属性的轨迹，以确定哪些属性表现出更大的相似性。最后，我们调查金融或实体经济对COVID-19案件激增的反应是否更快。我们的结果表明，流动性数据和金融指数在其轨迹上显示出最大的相似性，而金融市场的响应速度更快。这表明金融市场参与者比政府更有效地解释和回应COVID-19数据。因此，我们认为在大流行期间研究经济数据作为金融市场表现的主要指标的努力是错误的。
通过信号Lasso推断网络结构
原文标题： Inferring Network Structures via Signal Lasso
地址： http://arxiv.org/abs/2104.02320
作者： Lei Shi, Chen Shen, Libin Jin, Qi Shi, Zhen Wang, Marko Jusup, Stefano Boccaletti
摘要： 在许多科学领域中，从数据推断网络系统的连接结构是一项极为重要的任务。现实世界中的大多数网络都表现出稀疏连接的拓扑，节点之间的链接在某些情况下甚至可能与二进制状态（0或1，分别表示不存在或存在连接）相关联。这种未加权的拓扑对于经典的重建方法（例如套索或压缩传感技术）是难以捉摸的。在这里，我们介绍一种称为信号套索的新颖方法，其中信号参数的估计要接受0或1个值。详细研究了该方法的理论特性和算法。说明了该方法在几个综合和经验网络中的演化博弈和同步动力学中的应用，其中我们证明了该新颖策略可靠且健壮，并且在准确性和均方误差方面均优于经典方法。
mSHINE：异构信息网络嵌入的多元路径同时学习框架
原文标题： mSHINE: A Multiple-meta-paths Simultaneous Learning Framework for Heterogeneous Information Network Embedding
地址： http://arxiv.org/abs/2104.02433
作者： Xinyi Zhang, Lihui Chen
摘要： 异构信息网络（HIN）近年来因其使用显式网络结构以丰富的信息建模对象的强大功能而变得流行。网络嵌入已被证明是一种将信息网络转换为低维空间的有效方法，而核心信息却可以得到很好的保存。但是，传统的网络嵌入算法在刻画HIN提供的丰富而潜在不兼容的语义时不是最理想的。为理解决这个问题，设计了一种新颖的基于元路径的HIN表示学习框架mSHINE，旨在同时学习不同元路径的多个节点表示。更具体地，开发了一种受RNN结构启发的表示学习模块，并且可以同时学习多个节点表示，其中每个表示与一个相应的元路径相关联。通过使用设计的目标函数测量节点之间的相关性，可以将学习到的模块应用于下游链路预测任务。提出了一组用于选择初始元路径的标准，作为mSHINE中的另一个模块，当没有合适元路径的现有知识时，这对于降低最佳元路径选择成本很重要。为了证实mSHINE的有效性，在五个真实的数据集上进行了包括节点分类和链路预测在内的广泛实验研究。结果表明，mSHINE优于其他最新的HIN嵌入方法。
基于图神经网络的结构化引文趋势预测
原文标题： Structured Citation Trend Prediction Using Graph Neural Networks
地址： http://arxiv.org/abs/2104.02562
作者： Daniel Cummings, Marcel Nassar
摘要： 学术引用图表示整个学术领域出版物之间的引用关系。引用量最高的论文通常揭示了其相应领域的未来趋势，这对研究人员和从业人员都非常重要。先前的引用预测方法通常需要建立初始引用趋势，而没有利用图神经网络（GNN）的最新进展。我们提出了一种基于GNN的体系结构，该体系结构可以预测出版时的论文集。对于实验，我们为各种会议策划了一组学术引用图表，并显示出该模型在F1评分方面优于其他经典的机器学习模型。
可校准的Hetero-NodeRank，用于测量节点影响
原文标题： Calibratable Hetero-NodeRank for measuring node influence
地址： http://arxiv.org/abs/2104.02666
作者： Qiwei Ma, Zhaoya Gong
摘要： 节点影响力度量标准已应用于许多应用程序，包括对Internet上的网页进行排名或在空间网络上进行排名。 PageRank是一种流行且有效的算法，用于估计节点影响。但是，传统的PageRank方法既没有考虑网络结构的异构性，也没有考虑额外的网络信息，从而对性能改进产生了主要的阻碍，并低估了非集线器节点的重要性。由于仅对这些问题进行了部分研究，因此现有的解决方案仍不能令人满意。本文通过提出一个通用的基于PageRank的模型框架（称为Hetero-NodeRank）来解决这些问题，该模型框架解决了异构网络拓扑问题，并结合了节点属性信息来刻画基于链接和基于节点的影响，以测量节点影响。此外，该框架能够根据经验数据对建议的模型进行校准，从而将原始演绎方法转变为一种归纳方法，可用于假设检验和因果关系分析。当原始的无人监督任务变成有监督任务时，可以利用优化方法进行模型校准。对来自中国国家城市网络的真实数据进行的实验表明，该模型优于几种广泛使用的算法。
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