- 通过非凸局部搜索具有可变易感性的意见动态;
- 无序三元交互作用下的Heider平衡;
- 文本网络的对抗性上下文感知网络嵌入;
- 网络上非对称博弈的Ising模型;
- Logistic增长模型和社区案例传播因素建模;
- 科学学中的语义和关系空间：文章向量化的深度学习模型;
- 流行病死亡人数分布的尾部;
- 社交媒体和政治贡献：新技术对政治竞争的影响;
- 带噪声投票模型的非线性变换中的反常扩散;
- 迈向地下论坛中的黑话解释;
- 量化语言亲密关系;
通过非凸局部搜索具有可变易感性的意见动态
原文标题： Opinion Dynamics with Varying Susceptibility to Persuasion via Non-Convex Local Search
地址： http://arxiv.org/abs/2011.02583
作者： Rediet Abebe, T-H. Hubert Chan, Jon Kleinberg, Zhibin Liang, David Parkes, Mauro Sozio, Charalampos E. Tsourakakis
摘要： 社会心理学上的一长串工作研究了人们对说服的敏感性的变化-人们愿意在多大程度上修改自己对某个话题的看法。这组文献提出了一个有趣的观点，即通过网络中的各方互动形成观点的理论模型：除了考虑直接改变人们固有观点的干预措施之外，考虑改变人们对说服力的干预措施也是很自然的。在这一工作的启发下，我们提出了一个新的社会影响力框架。具体来说，我们采用一种流行的社会舆论动态模型，其中每个行为者都有一些固定的固有意见，以及一种衡量其对固有意见的重视程度的抵制；主体通过迭代过程影响彼此的观点。在非平凡条件下，该迭代过程收敛到某个均衡观点向量。对于未预算的问题变体，目标是（从某个给定范围内）选择每种作用剂的阻力，以使平衡观点的总和最小化。我们证明目标函数通常是非凸的。因此，像在这项工作的早期版本（Abebe等，KDD'18）中那样，将问题表述为凸程序可能会存在潜在的正确性问题。相反，我们分析目标函数的结构，并表明任何局部最优也是全局最优，这在某种程度上令人惊讶，因为目标函数可能不是凸的。此外，我们结合了迭代过程和局部搜索范式，以设计非常有效的算法，该算法可以在包含数百万个节点的大规模图上以最优方式解决问题的预算外问题。最后，我们针对问题的预算变化提出了一系列启发式方法，并进行了实验评估。
无序三元交互作用下的Heider平衡
原文标题： Heider Balance under Disordered Triadic Interactions
地址： http://arxiv.org/abs/2011.02651
作者： M. Bagherikalhor, A. Kargaran, A. H. Shirazi, G. R. Jafari
摘要： Heider平衡假设三元组在网络动力学中同等重要，从而解决了三体相互作用。在许多网络中，关系的强度不同，因此，三重轴的权重不同。现在的问题是，社会网络在加权时如何发展以减少不平衡三角形的数量？是否可以根据我们从未加权余额中学到的知识来预见结果？为了找到解决方案，我们考虑了一个完全连接的网络，其中三合会被分配了不同的随机权重。权重来自均值 mu 和方差 sigma 的高斯概率分布。我们在两种情况下研究此系统：（ RN 1） frac mu sigma ge 1 的比率对应于黑社会的权重大致相同的弱障碍（小方差）， （ RN 2） frac mu sigma <1 表示严重疾病（大方差），权重明显不同。我们打算调查这种网络的结构演变。我们看到混乱在确定系统的临界温度中起着关键作用。使用均场方法为系统提供解析解表示系统经历了一阶相变。对于弱障碍，我们的仿真结果显示，随着温度降低，系统达到全局最小值，而对于高障碍，我们设法在三重相互作用中看到了伪近藤效应。 Kondo效应解释了由于低温下的磁性杂质导致金属电阻率异常增加。对于第二种方案，在我们的工作中，能量与温度之间的行为相似，并且系统未达到全局最小值。
文本网络的对抗性上下文感知网络嵌入
原文标题： Adversarial Context Aware Network Embeddings for Textual Networks
地址： http://arxiv.org/abs/2011.02665
作者： Tony Gracious, Ambedkar Dukkipati
摘要： 文本网络的表示学习面临重大挑战，因为它涉及从两种方式中获取合并信息：（i）底层网络结构和（ii）节点文本属性。为此，大多数现有方法通过将连接节点的嵌入强制为相似来学习文本和网络结构的嵌入。然后，为了实现模态融合，他们使用节点的文本嵌入与其连接的节点的结构嵌入之间的相似性，反之亦然。这意味着这些方法需要边信息来学习嵌入，而无法学习未见节点的嵌入。在本文中，我们提出了一种既可以实现模态融合又可以学习未见节点的嵌入功能的方法。我们模型的主要特征是它在基于文本嵌入的鉴别器和基于结构嵌入的生成器之间使用一种对抗机制来学习有效的表示。然后，为了学习看不见的节点的嵌入，我们使用基于文本嵌入的鉴别器提供的监督。除此之外，我们提出了一种新颖的用于学习文本嵌入的体系结构，该体系结构可以将相互注意和拓扑注意机制结合在一起，从而提供更灵活的文本嵌入。通过在现实世界数据集上进行的广泛实验，我们证明了我们的模型比几个最新的基准具有实质性的优势。与以前的最新技术相比，在训练中看到的节点之间的链路预测性能提高了7％，在涉及训练中没有看到的节点的链路预测性能上提高了12％。此外，在节点分类任务中，它最多可将性能提高2％。
网络上非对称博弈的Ising模型
原文标题： Ising Model for Asymmetric Games on Networks
地址： http://arxiv.org/abs/2011.02739
作者： A. D. Correia, L. L. Leestmaker, H. T. C. Stoof
摘要： 我们在这里研究小型网络上的“性别之战”博弈，并将响应策略分析扩展到不对称博弈和三名玩家。我们对从不同更新策略的数值模拟中获得的不同稳态进行建模，以作为不同的响应策略平衡。然后将这些映射到广义的Ising模型，该模型以一种与链接的存在无关的方式描述玩家结果之间的相关性，但如果存在关联，则与关联设备重合。进入三个参与者，我们研究并比较了三种代表性网络的均衡解。我们发现没有直接联系的玩家保持着与其初始相关性成正比的相关性。我们还发现，局部网络结构与较小的磁场值和Ising模型的相互作用强度最相关。这项研究为规模敏感的网络博弈的统计物理描述铺平了道路，并有可能对数值模拟中观察到的长距离和短距离行为进行分析性描述。
Logistic增长模型和社区案例传播因素建模
原文标题： Logistic growth model and modeling of factors for community case transmission
地址： http://arxiv.org/abs/2011.02766
作者： Massamba Diouf, Babacar Mbaye Ndiaye
摘要： 在本文中，我们分析了塞内加尔由COVID-19社区传播引起的病例扩散，以识别统计关联。对与该社区传播有关的因素的识别和理解可以作为限制疾病传播的决策支持工具。我们估计参数并评估增长因子，社区比率，每周增加和每日差异，并进行预测以帮助找到如何控制情况的具体措施。
科学学中的语义和关系空间：文章向量化的深度学习模型
原文标题： Semantic and Relational Spaces in Science of Science: Deep Learning Models for Article Vectorisation
地址： http://arxiv.org/abs/2011.02887
作者： Diego Kozlowski, Jennifer Dusdal, Jun Pang, Andreas Zilian
摘要： 在上个世纪，我们观察到全球范围内科学出版物的数量呈稳定增长态势。大量的可用文献使得不可能基于人工检查对一个领域内以及两个领域之间的研究进行整体分析。需要自动技术来支持文献综述过程，以发现嵌入科学出版物中的认知和社会模式。在计算机科学中，已经开发了用于处理大量数据的新工具。尤其是，深度学习技术为自动端到端模型的可能性提供了可能性，可以将观测值投影到一个新的低维空间，其中每个观测值的最相关信息将突出显示。使用深度学习来建立科学出版物的新表示形式是一个正在发展但仍在兴起的研究领域。本文的目的是讨论深度学习的潜力和局限性，以收集有关科学研究文章的见解。我们使用自然语言处理（NLP）和图神经网络（GNN），着重于基于文章语义和关系方面的文档级嵌入。我们探索了这些技术所产生的不同结果。我们的结果表明，使用NLP可以对文章的语义空间进行编码，而使用GNN则可以建立关系空间，在该空间中也可以对研究社区的社会实践进行编码。
流行病死亡人数分布的尾部
原文标题： The tail of the distribution of fatalities in epidemics
地址： http://arxiv.org/abs/2011.02908
作者： Alvaro Corral
摘要： 就死亡人数而言，流行病可以达到的规模是极为相关的数量。最近有人宣称，人类历史上主要流行病的规模分布是“极度肥胖的尾部”，即渐近幂法，对风险管理具有重要影响。重新分析此数据，我们发现，尽管死亡人数分布可能与幂律尾部兼容，但这些结果不是结论性的，并且其他分布（未加尾部）也可以很好地解释数据。例如，对数正态分布的随机变量的仿真提供了其统计数据与经验数据的统计数据没有区别的合成数据。还讨论了证明幂律尾部合理的理论原因以及当前数据的局限性。
社交媒体和政治贡献：新技术对政治竞争的影响
原文标题： Social Media and Political Contributions: The Impact of New Technology on Political Competition
地址： http://arxiv.org/abs/2011.02924
作者： Maria Petrova, Ananya Sen, Pinar Yildirim
摘要： 政治运动是美国最复杂的营销活动之一。作为其营销传播策略的一部分，越来越多的政客采用社交媒体来告知他们的选民。这项研究通过关注竞选捐款的变化，为竞选国会议员的政治家记录了采用Twitter等新技术所带来的收益。我们比较了政客在Twitter渗透率高低的地区开通Twitter账户之前和之后的每周捐款，以控制政客月份的固定影响。具体来说，在一场政治运动期间，我们估计在Twitter渗透率高或低的地区开设Twitter帐户的不同影响导致所有政治人物的捐款增加0.7-2％，而1-3.1％新的政治家，谁之前从未当选为国会。相比之下，加入Twitter对有经验的政客的影响仍然很小。我们发现一些证据与以下解释相符，即影响是由有关候选人的新信息驱动的，例如，影响主要是由新捐赠者而不是过去的捐赠者驱动的，而候选人则没有Facebook帐户并且在推文中提供了更多信息。总体而言，我们的研究结果表明，社交媒体可以通过降低向新选民向选民传播信息的成本来加强政治竞争，从而可以减少进入政治的障碍。
带噪声投票模型的非线性变换中的反常扩散
原文标题： Anomalous diffusion in nonlinear transformations of the noisy voter model
地址： http://arxiv.org/abs/2011.02927
作者： Rytis Kazakevičius, Aleksejus Kononovicius
摘要： 选民模型在跨学科界是众所周知的，但尚未从异常扩散的角度对其进行研究。在本文中，我们表明原始选民模型表现出弹道政权。观察变量和时间尺度的非线性变换使我们能够观察到其他异常扩散和正态扩散的情况。我们表明，数值模拟结果与导出的逼近近似值吻合，后者描述了原始矩的时间演化。
迈向地下论坛中的黑话解释
原文标题： Towards Dark Jargon Interpretation in Underground Forums
地址： http://arxiv.org/abs/2011.03011
作者： Dominic Seyler, Wei Liu, XiaoFeng Wang, ChengXiang Zhai
摘要： 深色术语是具有良性，隐蔽性含义的良性词，被地下论坛的参与者用于非法行为。例如，通常使用深色术语“ rat”代替“ Remote Access Trojan”。在这项工作中，我们提出了一种自动识别和解释深色术语的新颖方法。我们将问题形式化为从暗字到没有隐藏含义的“干净”字的映射。我们的方法以共享词汇表上的概率分布形式利用深色单词和纯净单词的可解释表示形式。在我们的实验中，我们证明了我们的方法在暗行话识别方面是有效的，因为它优于模拟数据上的另一种相关方法。使用手动评估，我们证明了我们的方法能够检测现实世界地下论坛数据集中的深色术语。
量化语言亲密关系
原文标题： Quantifying Intimacy in Language
地址： http://arxiv.org/abs/2011.03020
作者： Jiaxin Pei, David Jurgens
摘要： 亲密关系是我们在社交环境中与他人相处的基本方面。语言通过主题和其他更微妙的线索（例如语言对冲和宣誓）对亲密关系的社会信息进行编码。在这里，我们介绍了一个新的计算框架，用于研究语言中的亲密关系，并附带一个数据集和深度学习模型，以准确预测问题的亲密程度（Pearson r = 0.87）。通过分析跨社交媒体，书籍和电影的8050万个问题的数据集，我们表明个人采用人际互动进行语言表达，以使亲密感与社交环境保持一致。然后，在三项研究中，我们进一步证明了个人如何调节自己的亲密感，以匹配围绕性别，社交距离和听众的社交规范，每项都验证了社交心理学研究的关键发现。我们的工作表明，亲密关系是语言的普遍性和影响力。
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