- 广义营养级和图层次结构;
- 利用多域视觉信息进行假新闻检测;
- 二元节点元数据混合模式的网络约束;
- 使用多层网络上的模块化信念传播检测显著的社区结构;
- 通过递归网络量化混沌吸引子的信息丢失;
广义营养级和图层次结构
原文标题： Generalised trophic levels and graph hierarchy
地址： http://arxiv.org/abs/1908.04358
作者： Giannis Moutsinas, Choudhry Shuaib, Weisi Guo, Stephen Jarvis
摘要： 到目前为止，网络的营养分析一直局限于具有明确来源的生态领域和网络，因为营养水平的定义受到限制，因此营养一致性。营养连贯性是网络层级组织的衡量标准，已被证明与网络的结构和动态方面有关。在本文中，我们概括了先前的定义以包含所有可能的简单图，我们给作为网络影响度量的营养级别和作为拓扑度量的营养差异的平均值赋予新的含义。我们展示了我们的广义营养级别与之前的定义相比如何以及我们的概括对网络拓扑和动态方面的新见解。然后我们对流行病学动态进行建模，我们展示了广义营养相干性如何与发病率相关，以及它如何影响SIS模型中的传播过程。
利用多域视觉信息进行假新闻检测
原文标题： Exploiting Multi-domain Visual Information for Fake News Detection
地址： http://arxiv.org/abs/1908.04472
作者： Peng Qi, Juan Cao, Tianyun Yang, Junbo Guo, Jintao Li
摘要： 社交媒体的日益普及促进了假新闻的泛滥。随着多媒体技术的发展，虚假新闻试图利用图像或视频的多媒体内容来吸引和误导读者进行快速传播，使视觉内容成为假新闻的重要组成部分。伪新闻图像，附在假新闻帖子中的图像，不仅包括被恶意篡改的伪图像，还包括错误地用于表示无关事件的真实图像。因此，如何充分利用假新闻图像的固有特征是假新闻检测的一个重要但具有挑战性的问题。在现实世界中，假新闻图像在物理和语义层面上可能与真实新闻图像具有显著不同的特征，这可以分别清楚地反映在频率和像素域中。因此，我们提出了一种新的框架多域可视神经网络（MVNN）来融合频率和像素域的视觉信息，以检测假新闻。具体来说，我们设计了一个基于CNN的网络，以自动捕获频域中假新闻图像的复杂模式;并利用多分支CNN-RNN模型从像素域中的不同语义级别提取视觉特征。利用注意机制动态地融合频域和像素域的特征表示。在现实世界数据集上进行的大量实验表明，MVNN的准确度至少高于现有方法9.2％，并且可以帮助提高多模式假新闻检测的性能超过5.2％。
二元节点元数据混合模式的网络约束
原文标题： Network constraints on the mixing patterns of binary node metadata
地址： http://arxiv.org/abs/1908.04588
作者： Matteo Cinelli, Leto Peel, Antonio Iovanella, Jean-Charles Delvenne
摘要： 我们考虑对共生系数界限的网络约束，该系数测量具有相同属性值的节点的相互连接趋势。协同系数是Pearson的网络边节点属性值的相关系数，范围在-1和1之间。我们关注的是二进制节点属性的分类，并显示网络的属性，如度分布和节点数每个属性值对可达到的共生系数值进行约束。我们在三个不同的空间中探索了协同性，即图配置和节点属性分配的集合，它们对给定的一组网络约束有效。我们提供了获得每个空间的各种极值的界限的方法。最后，我们证明在某些条件下，网络约束严重限制了协调性的最大值和最小值，这可能会对我们如何解释协同系数产生问题。
使用多层网络上的模块化信念传播检测显著的社区结构
原文标题： Modularity belief propagation on multilayer networks to detect significant community structure
地址： http://arxiv.org/abs/1908.04653
作者： William H. Weir, Benjamin Walker, Lenka Zdeborová, Peter J. Mucha
摘要： 基于模块化的社区检测包括许多广泛使用的有效启发式算法，用于识别单层和多层网络中的结构。最近，模块化优化的置信传播方法提供了一种有用的指南，用于以其他优化启发法没有的方式识别非平凡结构。在本文中，我们将模块化信念传播扩展到多层网络。作为此开发的一部分，我们还直接包含分辨率参数。我们证明了分辨率参数会影响算法的收敛性，并产生与基线不同的社区结构。我们展示了我们在合成多层网络上的扩展，展示了我们的工具如何实现接近最佳性能并防止过度拟合。与其他广泛使用的工具GenLouvain相比，我们强调了这些优势，用于多层模块化。最后，我们将多层模块化置信传播应用于两个真实的多层网络，并讨论实现我们的方法时的实际问题，我们已将其作为一般用途的Python包发布。
通过递归网络量化混沌吸引子的信息丢失
原文标题： Quantifying information loss on chaotic attractors through recurrence networks
地址： http://arxiv.org/abs/1908.04731
作者： K. P. Harikrishnan, R. Misra, G. Ambika
摘要： 我们提出了一种用于通过递归网络分析混沌吸引子的熵测量，递归网络是使用特定标准从动态系统的时间序列构建的非加权和非有向复杂网络。我们表明，随着吸引子上数据点数量（或网络上节点数量）的增加以及用于构建网络的嵌入维度，所提出的度量收敛到一个常数值，并清楚地区分了复发网络来自混沌时间序列和白噪声。由于该测量是网络拓扑的特征，因此可以根据相应重现网络的链路密度的差异来量化与混沌吸引子的结构变化相关的信息损失。我们还指出了所提出的度量在混沌吸引子的递归分析中的一些实际应用，以及所提出的度量在复杂网络的一般理论的背景下的相关性。
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