Arxiv网络科学论文摘要18篇(2020-09-08)
- 好友网络作为守门员：微信用户对朋友创建内容消费的研究;
- HAP-SAP：使用潜在时空时空Hawks过程的LBSN中的语义注释;
- 基于K核的动态图含时图卷积网络;
- 在连续含时图中量化COVID-19大流行的建模误差;
- 评估美国亚利桑那州人员流动性变化对COVID-19动态的影响：纳入Google社区流动性报告的模型研究;
- 在图抽样中保留少数结构;
- 尼泊尔城市屋顶网格连接的太阳能潜力评估，以加德满都，博克拉和比拉德纳格尔市的住宅建筑为例;
- 保留Friedkin-Johnsen系统中影响结构的隐私;
- 利用引文网络结构预测引文计数：一种深度学习方法;
- WNUT-2020任务2的BANANA系统：通过结合深度学习和迁移学习模型来识别Twitter上的COVID-19信息;
- 空间模块化网络中的流行病传播控制策略;
- 网络收缩过程中向Erdos-Renyi图结构的收敛;
- 抑制故障在复杂网络中传播;
- CLEF CheckThat 2020的Alex团队：使用Transformer模型识别值得一看的推文;
- 分析Twitter语义网络：2018年意大利大选案例;
- 定期就诊空间的空气传播感染R值：COVID-19案例研究;
- 锁定干预措施对印度控制COVID-19流行的影响;
- 可视化功能网络连接的分辨率矩阵;
好友网络作为守门员：微信用户对朋友创建内容消费的研究
原文标题： Friend Network as Gatekeeper: A Study of WeChat Users' Consumption of Friend-Curated Contents
地址： http://arxiv.org/abs/2009.02531
作者： Quan Li, Zhenhui Peng, Haipeng Zeng, Qiaoan Chen, Lingling Yi, Ziming Wu, Xiaojuan Ma, Tianjian Chen
摘要： 社交媒体使用户可以轻松地发布，传播和访问信息。缺点是与传统媒体相比，它很少允许哪些内容进入公众发行。在本文中，我们提供了来自中文的流行消息传递应用程序微信的初步实证研究结果，表明社交媒体用户共同利用其朋友网络作为潜在的，动态的内容守卫者。采用混合方法，我们分析了微信上超过700万用户的信息消费行为，并对216美元的用户进行了在线调查。定量和定性的证据都表明，朋友网络确实是社交媒体中的守门人。朋友网络从看门人用来决定的生产内容转变而来，有助于将有钱人和不钱人分开用于个人信息消费，其结构和动态在看门人中起着重要作用，这可能会激发社会技术系统的未来设计。
HAP-SAP：使用潜在时空时空Hawks过程的LBSN中的语义注释
原文标题： HAP-SAP: Semantic Annotation in LBSNs using Latent Spatio-Temporal Hawkes Process
地址： http://arxiv.org/abs/2009.02548
作者： Manisha Dubey, P.K. Srijith, Maunendra Sankar Desarkar
摘要： 基于位置的社会网络（LBSN）的普及简化了人们对出行方式的理解。有关人类动态的知识可以以各种方式提供帮助，例如城市规划，管理交通拥堵，个性化推荐等。这些动态受到诸如社会影响，移动性周期性，空间接近性，用户之间的影响以及语义类别等因素的影响，这些因素决定了位置为关键任务建模。但是，充当位置的语义特征的类别可能在某些签到中丢失，并且可能会对建模用户的移动性产生不利影响。同时，移动性模式为缺少的语义类别提供了提示。在本文中，我们同时解决了位置的语义标注和用户的位置采用动态问题。我们提出了我们的模型HAP-SAP，这是一个潜在的时空多变量Hawkes过程，它考虑了潜在的语义类别影响以及用户的时空迁移模式。使用期望最大化算法推断模型参数和潜在语义类别，该算法使用Gibbs采样获得潜在语义类别的后验分布。推断的语义类别可以补充我们的模型，以预测用户的下一次入住事件。我们在真实数据集上的实验证明了所提出的模型对语义注释和位置采用建模任务的有效性。
基于K核的动态图含时图卷积网络
原文标题： K-Core based Temporal Graph Convolutional Network for Dynamic Graphs
地址： http://arxiv.org/abs/2003.09902
作者： Jingxin Liu, Chang Xu, Chang Yin, Weiqiang Wu, You Song
摘要： 图表示学习是各种应用程序中的一项基本任务，这些应用程序努力学习可保留图拓扑信息的节点的低维嵌入。但是，许多现有方法专注于静态图，而忽略了不断发展的图模式。受图卷积网络（GCN）在静态图嵌入中的成功启发的启发，我们提出了一种基于k核的新型时态图卷积网络CTGCN，以学习动态图的节点表示形式。与以前的动态图嵌入方法相比，CTGCN既可以保留局部连接邻近性，又可以保留全局结构相似性，同时刻画图动力学。在提出的框架中，传统的图卷积被概括为两个阶段，即特征变换和特征聚合，这给CTGCN带来了更大的灵活性，并使CTGCN能够在同一框架下学习连接和结构信息。在7个真实世界图上的实验结果表明，CTGCN在多个任务（包括链路预测和结构角色分类）中表现优于现有的最新图嵌入方法。这项工作的源代码可以从https://github.com/jhljx/CTGCN获得。
在连续含时图中量化COVID-19大流行的建模误差
原文标题： Quantifying Inaccuracies in Modeling COVID-19 Pandemic within a Continuous Time Picture
地址： http://arxiv.org/abs/2009.02375
作者： Ioan Baldea
摘要： 通常，对COVID-19大流行预测的数学模拟研究基于确定性微分方程，该假设假定各种流行病学类别中的个体数量（ n ）和它们所依赖的时间（ t ）都是变化的数量连续。该图与以感染病例的每日数量报告的真实流行病学数据所基于的离散表示形式 n 和 t 形成对比，对于这种情况，基于有限差分方程式的描述将更为合适。本文采用逻辑增长框架，对连续时间描述引入的误差进行定量分析。该分析表明，尽管流行病学曲线最大值的高度基本不受影响，但连续时间表示中获得的位置 T_ 1/2 ^ c 相对于位置 T_在时间上系统地向后移动在离散时间表示中预测的1/2 ^ d 。相反，此时间偏移量的大小 tau equiv T_ 1/2 ^ c-T_ 1/2 ^ d <0 对感染率 kappa 的变化基本上不敏感。对于在极端情况（时间的指数增长和完全锁定）下从COVID-19数据推导出的 kapp 值的广泛范围，我们发现了一个相当可靠的估计值 tau simeq -2.65 ， mbox day ^ -1 。由于在没有任何特殊假设的情况下获得本数学结果，因此通常适用于逻辑增长，而对特定的实际系统没有任何限制。
评估美国亚利桑那州人员流动性变化对COVID-19动态的影响：纳入Google社区流动性报告的模型研究
原文标题： Assess the impacts of human mobility change on COVID-19 dynamics in Arizona, U.S.: a modeling study incorporating Google Community Mobility Reports
地址： http://arxiv.org/abs/2009.02419
作者： Nao Yamamoto, Haiyan Wang
摘要： 2020年6月，在5月中旬取消在家中使用的订单后，美国亚利桑那州成为全球最严重的冠状病毒病2019（COVID-19）之一。但是，随着重新实施限制措施的决定，COVID-19病例数一直在下降，亚利桑那州被认为是减缓流行病的一个很好的模式。在本文中，我们旨在研究亚利桑那州的COVID-19情况，并评估人类流动性变化的影响。我们构建了整合了迁移能力的易感性传染去除模型，并将其拟合到关于COVID-19病例和亚利桑那迁移率变化的公开数据集。我们的模拟结果表明，通过降低人员流动性，高峰时间被延迟，并且在这三个区域中流行的最终规模都减小了。我们的分析表明，快速有效的决策对于控制人员的流动至关重要，因此对于控制COVID-19流行至关重要。在获得疫苗之前，在亚利桑那州及其他地区可能需要考虑重新实施行动限制以应对新的COVID-19病例的增加。
在图抽样中保留少数结构
原文标题： Preserving Minority Structures in Graph Sampling
地址： http://arxiv.org/abs/2009.02498
作者： Ying Zhao, Haojin Jiang, Qi'an Chen, Yaqi Qin, Huixuan Xie, Yitao Wu Shixia Liu, Zhiguang Zhou, Jiazhi Xia, Fangfang Zhou
摘要： 采样是一种广泛使用的图约简技术，可以加快图计算速度并简化图可视化。通过全面分析有关图采样的文献，我们假设现有算法不能有效地保留少数稀有结构，而少数结构在图中稀有，但在图分析中非常重要。在这项工作中，我们最初进行了一项试点用户研究，以研究对人类观众最有吸引力的代表性少数结构。然后，我们进行一项实验研究，以评估有关少数群体结构保存的现有图采样算法的性能。结果证实了我们的假设，并为设计一种新的称为“以图为中心”的图采样方法（MCGS）的关键点提出了建议。在这种方法中，提出了基于三角形的算法和基于切点的算法来有效地识别少数结构。设计了一组重要性评估标准，以指导重要少数民族结构的保存。贪婪策略中引入了三个优化目标，以平衡少数群体和多数群体结构之间的保护并抑制新的少数群体结构的产生。进行了一系列实验和案例研究，以评估所提出的MCGS的有效性。
尼泊尔城市屋顶网格连接的太阳能潜力评估，以加德满都，博克拉和比拉德纳格尔市的住宅建筑为例
原文标题： Assessment of urban rooftop grid connected solar potential in Nepal,a case study of residential buildings in Kathmandu, Pokhara and Biratnagar cities
地址： http://arxiv.org/abs/2009.02524
作者： J. N. Shrestha, D. B. Raut
摘要： 本文评估了尼泊尔加德满都谷地，博克拉和比拉特纳加尔等主要城市住宅建筑上的屋顶太阳能光伏（PV）系统的技术，财务和市场潜力。分别为居民家庭，光伏供应商和太阳能项目融资机构准备了三套问卷。根据现场调查，发现在加德满都，博克拉和比拉特纳加尔市，可用于光伏安装的平均屋顶面积分别为14.5平方米，12.45平方米和19平方米。考虑加德满都的557,027幢住宅建筑；在博克拉有77,523个城市，在比拉德纳格尔有33,075个城市，三个城市的屋顶光伏发电总潜力为970 MWp，每年可产生1,310 GWh，占尼泊尔电力局（NEA）财政年度售电量的35％。 2014/15年。根据2016年每户1.5 kWp光伏系统设计和2016年的市场价格，平均照明成本（LCOE）从基本照明的NRs 8 / kWh变为20 NRs / kWh，到包括家用电器的满负荷。由于尼泊尔电力局已为此制定了明确的指导方针，因此尼泊尔屋顶太阳能并网的技术障碍现在已不是主要问题。
保留Friedkin-Johnsen系统中影响结构的隐私
原文标题： Preserving Privacy of the Influence Structure in Friedkin-Johnsen Systems
地址： http://arxiv.org/abs/2009.02627
作者： Jack Liell-Cock, Ian R. Manchester, Guodong Shi
摘要： 通用分布式共识算法中信息共享的性质允许网络窃听者公开敏感的系统信息。影响结构-分布式系统中通常被忽略在隐私保护范围内的一个重要参数-每个主体在其意见库来源上的权重。本文提出了一种局部（即由每个主体单独计算）的时变掩码，以防止外部观察者发现影响结构时可以访问整个信息流，网络知识和掩码公式。该结果是通过在一组广义条件下辅助证明Friedkin-Johnsen系统的稳定性而产生的。遮罩是在这些约束条件下开发的，涉及通过衰减伪噪声来扰动影响结构。本文通过缺少先验知识的窃听者提供了最佳影响结构估计的信息矩阵，并使用随机模拟分析了针对测距系统超参数的掩模性能。
利用引文网络结构预测引文计数：一种深度学习方法
原文标题： Utilizing Citation Network Structure to Predict Citation Counts: A Deep Learning Approach
地址： http://arxiv.org/abs/2009.02647
作者： Qihang Zhao
摘要： 随着科学技术的进步，全世界每年发表的学术论文数量几乎成倍增加。尽管大量研究论文强调了科学技术的繁荣，但它们也引起了一些问题。众所周知，学术论文是学者研究结果最直观的体现，可以反映研究人员的水平。它也是决策制定的评估标准，例如资金的促进和分配。因此，如何衡量学术论文的质量非常重要。衡量学术论文的最常见标准是论文的被引用数，因为该指标广泛用于科学出版物的评估，并且它还用作许多其他指标（例如h指数）的基础。因此，准确预测学术论文的被引数量非常重要。本文提出了一种端到端的深度学习网络DeepCCP，它结合了信息级联的效果，并从信息级联预测的角度研究了引文数预测问题。 DeepCCP直接使用纸张早期形成的引文网络作为输入，输出是一段时间后相应纸张的引文计数。 DeepCCP仅使用引用网络的结构和时间信息，不需要其他附加信息，但仍可以实现出色的性能。根据对6个真实数据集的实验，在引用计数预测的准确性方面，DeepCCP优于最新方法。
WNUT-2020任务2的BANANA系统：通过结合深度学习和迁移学习模型来识别Twitter上的COVID-19信息
原文标题： BANANA at WNUT-2020 Task 2: Identifying COVID-19 Information on Twitter by Combining Deep Learning and Transfer Learning Models
地址： http://arxiv.org/abs/2009.02671
作者： Tin Van Huynh, Luan Thanh Nguyen, Son T. Luu
摘要： 爆发的COVID-19病毒对全世界人民的健康造成了重大影响。因此，至关重要的是，每个人都应掌握有关该疾病的持续，准确的信息。本文介绍了我们的WNUT-2020任务2预测系统：识别COVID-19信息性英语推文。该任务的数据集包含大小为10,000条的英文推文，并带有人类标签。来自我们的三个转换器模型和深度学习模型的集成模型用于最终预测。实验结果表明，我们在系统上的INFORMATIVE标签已达到F1（测试集为88.81％）。
空间模块化网络中的流行病传播控制策略
原文标题： Epidemic spreading and control strategies in spatial modular network
地址： http://arxiv.org/abs/2009.02806
作者： Bnaya Gross, Shlomo Havlin
摘要： 网络上的流行病传播是网络科学中研究最多的动态之一，在实际的流行情况中具有重要意义。但是，仍未完全了解实际流行病的动态及其如何受到感染通道下划线结构的影响。在这里，我们应用SIR模型，并在最近开发的模仿一个国家城市结构的空间模块化模型上，对流行病的传播进行分析和数值研究。该模型假设一个城市内部的感染通道连接许多不同的位置，而城市之间的感染通道则较少，通常在二维平面中通常仅直接连接几个最近的邻近城市。我们发现该模型经历了两次流行转变。第一个较低的阈值代表一个城市内的局部流行病，但并不覆盖整个国家，第二个较高的阈值代表整个国家内的一个全球流行病。基于我们的分析解决方案，我们提出了几种控制策略以及如何对其进行优化。我们还表明，尽管控制策略可以成功控制疾病，但尽早采取行动对于预防疾病在全球蔓延至关重要。
网络收缩过程中向Erdos-Renyi图结构的收敛
原文标题： Convergence towards an Erdos-Renyi graph structure in network contraction processes
地址： http://arxiv.org/abs/2009.02890
作者： Ido Tishby, Ofer Biham, Eytan Katzav
摘要： 在20年前的一篇极具影响力的论文中，Barab'asi和Albert [Science 286，509（1999）]表明，经历具有优先依附的通用增长过程的网络向无标度结构发展。在任何有限的系统中，由于节点故障，攻击或流行，网络的增长最终会停滞不前，并可能随后进入网络收缩阶段。使用主方程公式和计算机模拟，我们通过随机，优先和传播节点删除来分析经受收缩过程的网络的结构演化。我们表明，收缩网络趋向于一个Erd H oss-R 'enyi网络结构，其平均程度随着收缩的进行而不断降低。这通过度分布向泊松分布的收敛以及度-度相关性的丧失来证明。
抑制故障在复杂网络中传播
原文标题： Inhibiting failure spreading in complex networks
地址： http://arxiv.org/abs/2009.02910
作者： Franz Kaiser, Vito Latora, Dirk Witthaut
摘要： 在我们的日常生活中，我们依赖于从电网到输水系统的供应网络的正常运行。这些关键基础架构中的单个故障可以通过级联故障机制导致完全崩溃。因此，强烈寻求对抗策略。在本文中，我们引入了一个通用框架来分析复杂网络中故障的扩散，并证明弱连接和强连接都可以用来控制损害。我们严格证明了某些子图（称为网络隔离器）的存在，它们可以完全抑制任何故障扩散，并且展示了如何在合成网络和实际网络中创建此类隔离器。所选链路的添加因此可以防止大规模停电，如电力传输网格所示。
CLEF CheckThat 2020的Alex团队：使用Transformer模型识别值得一看的推文
原文标题： Team Alex at CLEF CheckThat! 2020: Identifying Check-Worthy Tweets With Transformer Models
地址： http://arxiv.org/abs/2009.02931
作者： Alex Nikolov, Giovanni Da San Martino, Ivan Koychev, Preslav Nakov
摘要： 尽管错误信息和虚假信息在社交媒体中已经盛行多年，但随着COVID-19大流行的出现，政治和健康方面的错误信息融合在一起，从而将问题提升到一个全新的水平，并引发了全球首个信息流行病。与这一信息流行病的斗争有很多方面，最重要的是事实检查和揭穿虚假和误导性主张。不幸的是，手动事实检查非常耗时，而自动事实检查则很耗资源，这意味着我们需要预先过滤输入的社交媒体帖子，并丢弃那些看起来不值得检查的帖子。考虑到这一点，在这里我们提出了一个用于检测有关COVID-19的值得检查的推文的模型，该模型将深层的上下文化文本表示与对推文的社交环境进行建模相结合。我们进一步描述了许多其他实验和比较，我们认为这些实验和比较对将来的研究将是有用的，因为它们提供了有关哪些技术可有效完成任务的一些指示。我们向CLEF-2020 CheckThat英文版的正式提交！任务1，系统Team_Alex，以MAP得分0.8034排名第二，与获胜系统几乎并列，仅落后0.003 MAP绝对积分。
分析Twitter语义网络：2018年意大利大选案例
原文标题： Analysing Twitter Semantic Networks: the case of 2018 Italian Elections
地址： http://arxiv.org/abs/2009.02960
作者： Tommaso Radicioni, Elena Pavan, Tiziano Squartini, Fabio Saracco
摘要： 社交媒体在塑造公民政治见解中起着关键作用。根据欧洲晴雨表，每天使用在线社会网络访问信息的欧盟公民比例从2010年的18％增加到2017年的42％。社交媒体之间的紧密纠缠和政治动态的发展激发了研究人员对用户在线行为进行分析的兴趣，特别是在辩论和回声室形成期间的群体极化等主题上，揭示了在线互动的方式及其对政治进程的影响。在这种情况下，注意力主要集中在研究用户之间的在线关系上，语义方面仍未得到充分研究。在本文中，我们旨在填补这一空白，首先确定在2018年意大利大选前夕活跃于政治辩论中的辩论社区，然后研究影响其内部Twitter讨论的语义机制。为此，我们每天都要监视相应语义网络的结构演变。正如我们的分析所指出的那样，选举中出现的政治联盟的支持者的特征是在线行为明显不同，从而引发了具有不同拓扑结构的语义网络。右翼政党联盟的支持者表现出特别活跃的行为，这些行为凝聚在一个紧密联系的集群中，其中的讨论与诸如政治脱口秀之类的调解活动一起进行。相反，由用户转发5星运动（M5S）成员的用户触发的日常语义网络趋向于集中程度较低，这提示了讨论各种主题的“分布更广泛”的方式，例如在意大利政治局势中，这一新任就把这些人作为中心人物。
定期就诊空间的空气传播感染R值：COVID-19案例研究
原文标题： Airborne infection R-numbers for regularly attended spaces: COVID-19 a case-study
地址： http://arxiv.org/abs/2009.02999
作者： Henry C. Burridge, Catherine J. Noakes, P. F. Linden
摘要： 需要更好地了解COVID-19的空气传播感染风险，在当前的大流行期间尤其紧急。我们提出一种确定相对风险的方法，该相对风险可以很容易地部署在室内空间中建模或监视的CO _2 数据和占用水平上。此外，对于由同一群人定期或连续占据的空间，例如在开放式办公室或学校教室中，我们建立协议以评估这种定期上班或上学的空气传播感染的绝对风险。这样一来，我们就能够计算出由一名普通参会者传染并保持无症状/无症状的预期感染数，即，我们提供了一种可靠的方法来计算这些空间的绝对生殖数。我们通过计算模拟开放式办公室的风险以及使用小型自然通风办公室中记录的监控数据来演示我们的模型。结果表明，如果在有足够通风的条件下进行相对安静的办公桌工作，上班的机会不太可能对流行病产生重大影响。但是，如果通风不足和/或活动水平升高，这些空间很可能对大流行起重要作用。
锁定干预措施对印度控制COVID-19流行的影响
原文标题： Effect of lockdown interventions to control the COVID-19 epidemic in India
地址： http://arxiv.org/abs/2009.03168
作者： Ankit Sharma, Shreyash Arya, Shashee Kumari, Arnab Chatterjee
摘要： 新型冠状病毒SARS-CoV2引起的大流行造成了威胁生命的健康并发症，并给医疗保健系统带来了极大压力。尽管预防性和确定性的医疗干预措施尚未到来，但管理机构强加的非药物干预措施（如物理隔离，隔离和严厉的社会措施）可以有效地阻止感染在人群中的传播。在人口稠密的国家（如印度），由于社会和行政管理的复杂性，锁定干预措施部分有效。使用详细的人口统计数据，我们提出了一种基于主体的模型，即使在干预下也可以模仿人口的行为及其流动特征。我们展示了联系跟踪策略的有效性，以及我们的模型如何有效地与测试效率的经验发现相关。我们还提出了各种缓解措施，包括使用少量感染，有效繁殖率以及使用强化学习来缓解。我们的分析可以帮助评估此类干预措施的社会经济后果，并为决策者提供有用的想法和见解，以便他们更好地制定决策。
可视化功能网络连接的分辨率矩阵
原文标题： The Resolution Matrix for Visualizing Functional Network Connectivity
地址： http://arxiv.org/abs/2009.03187
作者： Keith Dillon
摘要： 分辨率矩阵是用于分析逆问题（例如计算成像系统）的数学工具。当将网络连接性估计视为一个反问题时，分辨率矩阵描述了网络节点和边可以解决的程度。这对于量化网络估计的鲁棒性以及识别相关活动都是有用的。在此报告中，我们分析了来自Human Connectome项目的功能性MRI数据的分辨率矩阵。我们发现，尽管默认模式网络与额顶注意力网络之间的关系有了新的变化，但分辨率度量标准的通用度量标准可用于识别网络活动。
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。
