Arxiv网络科学论文摘要9篇(2020-10-07)
- 有向图网络;
- 考虑用户位置隐私的编码的近似最近邻搜索，以识别模拟流行病中的易感感染;
- 复杂网络上运行的具有相变到吸收态的流行病模型综述;
- 高保真社会学习的演化;
- 基于解耦的连续图表示学习;
- COVID-19：关于短暂访问高风险地区后的隔离时间;
- 中国大陆COVID-19大流行空间扩散模式的多重分形尺度分析;
- 使用因子图表示法的带注释图的谱聚类;
- 完全可解的SIR模型，其扩展及其在敏感大流行预测中的应用;
有向图网络
原文标题： Directional Graph Networks
地址： http://arxiv.org/abs/2010.02863
作者： Dominique Beaini, Saro Passaro, Vincent Létourneau, William L. Hamilton, Gabriele Corso, Pietro Liò
摘要： 为了克服图神经网络（GNN）的表达限制，我们提出了第一种利用图上的矢量流来开发全局一致的有向和非对称聚合函数的方法。我们表明，当应用于网格时，我们的有向图网络（DGN）可以概括卷积神经网络（CNN）。尽管最近的理论工作着重于了解局部邻域，局部结构和局部同构，而没有全局信息流，但是我们新颖的理论框架允许在任何图中进行有向卷积核。首先，通过在图中定义一个矢量场，我们开发了一种通过将特定于节点的消息投影到该场中来应用方向导数和平滑的方法。然后，我们建议使用拉普拉斯特征向量作为这样的向量场，并且表明该方法将CNN概括在n维网格上。最后，我们通过提供一种在底层方向场上进行反射，旋转和变形的方法，将CNN数据增强的功能带到图中。我们在不同的标准基准上评估了我们的方法，并在CIFAR10图数据集上看到了8％的相对误差降低，在分子ZINC数据集上看到了11％到32％的相对误差降低。这项工作的重要成果是，它可以将具有固有方向轴的任何物理或生物学问题转换为具有嵌入式方向场的图网络形式。
考虑用户位置隐私的编码的近似最近邻搜索，以识别模拟流行病中的易感感染
原文标题： Approximate Nearest Neighbour Search on Privacy-aware Encoding of User Locations to Identify Susceptible Infections in Simulated Epidemics
地址： http://arxiv.org/abs/2004.08851
作者： Chandan Biswas, Debasis Ganguly, Ujjwal Bhattacharya
摘要： 在Covid-19大流行期间，受感染的病例数量不断增加，因此至关重要的是，尽早追踪可能由于与该病毒呈阳性反应的人的亲密接触而被该疾病感染的易感人群。这种早期的接触者追踪很可能会限制感染在当地的传播速度。在本文中，我们调查了在给定感染者及其位置列表的情况下，如何有效地找到这样的易感人群。为了从信息检索（搜索）角度解决此问题，我们将每个人在每个时刻的位置表示为向量空间中的一个点。通过使用给定感染者列表的位置作为查询，我们研究了应用基于近似最近邻（ANN）的索引和检索方法实时获取前k名可疑用户列表的可行性。由于利用来自真实用户位置数据的信息可能导致安全性和隐私问题，因此，我们还研究了距离保留编码方法对ANN方法的有效性有何影响。在真实和合成数据集上进行的实验表明，使用现有的ANN方法（KD-tree和HNSW）检索到的易受攻击用户的前k个检索列表可产生令人满意的精度和召回率值，从而表明ANN方法可在实践中潜在地应用于促进即使存在强加的隐私限制，也可以进行实时联系人跟踪。
复杂网络上运行的具有相变到吸收态的流行病模型综述
原文标题： An overview of epidemic models with phase transitions to absorbing states running on top of complex networks
地址： http://arxiv.org/abs/2010.02360
作者： Angélica S. Mata
摘要： 在复杂网络之上运行的动态系统已经被广泛研究了数十年。但是由于它的适用范围，该主题仍然是复杂网络理论中最相关的问题之一。接触过程（CP）和易感感染易感性（SIS）模型经常用于描述流行病动态。尽管它们很简单，但是这些模型对于预测实际情况的核心是强大的。在这项工作中，我们简要地回顾了两个过程，这些过程是模型的非常著名的实例，并且它们的应用实例都显示出吸收态相变。在流行病中，个体可能被感染或易感。无病（吸收）状态和活动固定相（一部分人口受到感染）之间的相变由流行阈值隔开。对于SIS模型，主要问题是确定异构网络上的这一流行阈值。对于CP模型，主要的兴趣是将关键指数与网络的统计属性相关联。
高保真社会学习的演化
原文标题： The evolution of high-fidelity social learning
地址： http://arxiv.org/abs/2010.02439
作者： Marcel Montrey, Thomas R. Shultz
摘要： 人类文化的一个基本特征是知识和技术会随着时间的推移不断提高。这种累积的文化演化（CCE）可能很大程度上取决于信息保存的可靠性，而不是信息的提炼效率。因此，CCE在其他物种中显得减少或缺失的可能原因之一是，它需要准确而专业的社会学习形式，人类才能熟练掌握这种形式。在这里，我们开发了一个贝叶斯模型来对比支持CCE的高保真社会学习和不支持CCE的低保真社会学习的发展。我们发现当（1）社会学习和（2）个人学习价格低廉，（3）性格复杂，（4）个人学习丰富，（5）适应性问题困难且（6）行为灵活。低保真传输在许多方面有所不同。它不仅在（2）个人学习成本高和（4）很少学习时发展，而且在（3）特征简单而（5）适应性问题容易时证明更为强大。如果有利于发展高保真传输的条件更严格（3和5）或更难满足（2和4），则可以解释为什么社会学习很普遍，而CCE却很少。
基于解耦的连续图表示学习
原文标题： Disentangle-based Continual Graph Representation Learning
地址： http://arxiv.org/abs/2010.02565
作者： Xiaoyu Kou, Yankai Lin, Shaobo Liu, Peng Li, Jie Zhou, Yan Zhang
摘要： 图嵌入（GE）方法将图中的节点（和/或边）嵌入到低维语义空间中，并显示了其在建模多关系数据中的有效性。但是，现有的GE模型在实际应用中并不实用，因为它忽略了传入数据的流式传输特性。为了解决这个问题，我们研究了连续图表示学习的问题，该问题旨在不断在新数据上训练GE模型，以不断学习新兴的多关系数据，同时避免灾难性地忘记旧的知识。此外，我们提出了一个基于解耦的连续图表示学习（DiCGRL）框架，该框架受人类学习过程知识的能力的启发。实验结果表明，DiCGRL可以有效地缓解灾难性的遗忘问题，并优于最新的持续学习模型。代码和数据集在https://github.com/KXY-PUBLIC/DiCGRL上发布。
COVID-19：关于短暂访问高风险地区后的隔离时间
原文标题： COVID-19: On the quarantine duration after short visits to high-risk regions
地址： http://arxiv.org/abs/2010.02688
作者： Evangelos Matsinos
摘要： 本文将提出一种简单的蒙特卡洛方法，以提取对隔离持续时间的估计，适用于高风险地区的游客。将基于对旅行者离开感染发生地点的离开与当前可能检测到COVID-19感染的时间之间的时间跨度的累积分布函数的上尾的分析得出结果。正如预期的那样，隔离持续时间是受感染旅行者比例的下降函数，准备将其识别为“可接受的风险”。该分析表明，最大的 5〜％风险（来自于隔离后被解除感染的受试者的新感染）的最小隔离时间约为8天， 1〜％的隔离时间约为十二天，和 0.1〜％大约有16个。除非短期旅行（通常长达三周）的时间分布与本研究假设的形状大不相同，否则本分析的结果不支持将检疫时间缩短约十天至两周，目前适用于从感染风险高的地区进入大多数欧洲国家的旅行者。
中国大陆COVID-19大流行空间扩散模式的多重分形尺度分析
原文标题： Multifractal scaling analyses of the spatial diffusion pattern of COVID-19 pandemic in Chinese mainland
地址： http://arxiv.org/abs/2010.02747
作者： Yuqing Long, Yanguang Chen, Yajing Li
摘要： 揭示流行病在空间扩散中的时空演化规律有助于预防和控制流行病的传播。基于地级市和日期的实时COVID-19数据集，本文旨在探讨中国大陆COVID-19大流行的空间扩散模式的多重分形标度及其演变特征。采用ArcGIS技术和盒计数法提取空间数据，并使用最小二乘法计算分形参数。结果表明，中国COVID-19大流行的多重分形分布。广义相关维谱是反S形曲线，但当矩阶q << 0时，分形维值大大超过了嵌入空间的欧几维维。局部奇异谱是不对称的单峰曲线，向右倾斜。分形维数增长曲线显示为准S形曲线。从这些谱和生长曲线可以得出以下主要结论。首先，在Covid-19大流行过程中发展出自相似模式，这似乎由多尺度定律主导。其次，中国各地COVID-19的空间格局可以通过全球聚类和局部无序扩散来表征。第三，中国COVID-19的空间扩散过程经历了四个阶段，即初始阶段，快速扩散阶段，分层扩散阶段，最后收缩阶段。这项研究表明，多重分形理论可用于描述COVID-19大流行的时空扩散特征，案例分析可能对进一步探索空间扩散的自然规律具有指导意义。
使用因子图表示法的带注释图的谱聚类
原文标题： Spectral clustering of annotated graphs using a factor graph representation
地址： http://arxiv.org/abs/2010.02791
作者： Tatsuro Kawamoto
摘要： 图结构化数据通常具有节点注释。涉及带注释图的推理和学习的一种流行方法是将注释合并到统计模型或算法中。相比之下，我们考虑一种更直接的方法，称为“苏格兰胶带”，其中图中的结构信息及其节点注释被编码为因子图。具体而言，我们在谱框架中建立了该方法的数学基础。
完全可解的SIR模型，其扩展及其在敏感大流行预测中的应用
原文标题： Exactly solvable SIR models, their extensions and their application to sensitive pandemic forecasting
地址： http://arxiv.org/abs/2010.02897
作者： E. Sadurní, G. Luna-Acosta
摘要： 流行病动力学的经典SIR模型完全通过正交求解，包括在一系列不完全伽马函数中扩展的时间积分变换。该模型还可以推广到任意随时间变化的感染率，并在控制参数取决于时间 t 的累积感染时明确求解。数值结果通过比较的方式给出。还考虑了交互区域的SIR的自治和非自治概括，包括两个或多个交互区域的不可分离性。将简单的SIR模型简化为一个变量后，我们得到了广义逻辑模型Richards模型，我们使用该模型拟合第134天的墨西哥COVID-19数据。讨论了各种拟合产生的预测情况。就鲁棒性而言，这些模型对当前流行病爆发的适用性提出了批评。最后，我们获得了离散版本的Richards模型的分叉图，显示了倍增分叉到混乱的周期。
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。
