- 接触者追踪网络中的流行病源检测：图和消息传递算法中的流行病中心性;
- HTGN-BTW：用于时间链路预测的具有双时间窗口训练策略的异构含时图网络;
- 城市劳动力网络的动态弹性;
- 从网络和功能数据分析的角度进行风险投资;
- 使用无监督深度学习对社交媒体上的政治倾向进行细粒度预测;
- 使用标签细化从社交媒体话语构建大规模错误信息标签数据集;
- 飓风疏散期间全网动态交通预测的深度学习方法;
- 量子计算的新兴商业格局;
- 超图中的核心-边缘检测;
- 有向超图上的动态系统;
接触者追踪网络中的流行病源检测：图和消息传递算法中的流行病中心性
原文标题： Epidemic Source Detection in Contact Tracing Networks: Epidemic Centrality in Graphs and Message-Passing Algorithms
地址： http://arxiv.org/abs/2201.06751
作者： Pei-Duo Yu, Chee Wei Tan, Hung-Lin Fu
摘要： 我们使用流行病学中的易感感染模型研究接触者追踪网络中的流行病源检测问题，该问题被建模为图约束的最大似然估计问题。基于对感染子图的快照观察，我们首先分别研究了有限度正则图和带环正则图，从而建立了有限无环图和有环图的最大似然比的数学等价性。特别是，我们表明，最大似然估计量的最优解可以基于捕捉非凸问题最优性的新统计距离中心性细化到图上的距离。然后提出了一种有效的接触跟踪算法来解决具有多个循环的有限度正则图的一般情况。我们对各种图表的性能评估表明，我们的算法通过正确识别一些最大的超级传播感染的超级传播者，使用来自 SARS-CoV 2003 和 COVID-19 大流行的接触者追踪数据，优于现有的最先进的启发式算法新加坡和台湾的集群。
HTGN-BTW：用于时间链路预测的具有双时间窗口训练策略的异构含时图网络
原文标题： HTGN-BTW: Heterogeneous Temporal Graph Network with Bi-Time-Window Training Strategy for Temporal Link Prediction
地址： http://arxiv.org/abs/2202.12713
作者： Chongjian Yue, Lun Du, Qiang Fu, Wendong Bi, Hengyu Liu, Yu Gu, Di Yao
摘要： 随着电子商务网络和社会网络等时间网络的发展，时间链路预测问题近年来越来越受到关注。 WSDM Cup 2022 的时间链路预测任务期望单个模型可以同时在两种具有完全不同的特征和数据属性的含时图上工作，以预测给定类型的链接是否会出现在两个给定节点之间。给定的时间跨度。我们的团队，在此命名为nothing，将此任务视为异构时间网络中的链路预测任务，并提出了一个通用模型，即异构含时图网络（HTGN）来解决这种时间间隔不固定的时间链路预测任务和多种链接类型。也就是说，HTGN可以适应链路的异构性和任意给定时间段内不固定时间间隔的预测。为了训练模型，我们设计了一个 Bi-Time-Window 训练策略 (BTW)，它具有来自两种时间窗口的两种 mini-batch。结果，在最终测试中，我们在数据集 A 上的 AUC 为 0.662482，在数据集 B 上的 AUC 为 0.906923，并以 0.628942 的平均 T 分数获得第二名。
城市劳动力网络的动态弹性
原文标题： The Dynamic Resilience of Urban Labour Networks
地址： http://arxiv.org/abs/2202.12856
作者： Xiangnan Feng, Alex Rutherford
摘要： 理解并可能预测甚至控制城市劳动力市场对工人和政策制定者来说都是一个巨大的挑战。城市是经济增长和繁荣的有效引擎，并在其劳动力市场中孕育出复杂的动态，它们所支持的劳动力市场表现出相当大的多样性。这对希望优化劳动力市场以造福工人、促进经济增长和管理技术变革影响的政策制定者提出了挑战。虽然以前的许多工作都研究了城市的经济特征作为规模的函数，并研究了城市经济对自动化的影响，但这通常是从静态的角度来看的。在这项工作中，我们检查了城市工作网络的结构以揭示扩散特性。更具体地说，我们确定了在促进有益或有害特性的传播方面最重要的职业。我们发现这些属性随着城市规模的不同而有很大差异。
从网络和功能数据分析的角度进行风险投资
原文标题： Venture capital investments through the lens of network and functional data analysis
地址： http://arxiv.org/abs/2202.12859
作者： Christian Esposito, Marco Gortan, Lorenzo Testa, Francesca Chiaromonte, Giorgio Fagiolo, Andrea Mina, Giulio Rossetti
摘要： 在本文中，我们根据吸引投资的能力来描述风险投资支持的公司的表现。该研究的目的是确定从公司和投资者关系的网络结构中构建的相关成功预测因素。专注于卫生部门的交易级数据，我们首先在公司和投资者之间建立了一个双边网络，然后应用功能数据分析 (FDA) 逐步推导出由二进制、标量和功能结果刻画的更精细的成功指标.更具体地说，我们使用不同的网络中心性度量来捕捉早期投资对公司成功的作用。我们的结果对不同的规范都是稳健的，表明成功与公司及其大投资者的中心性度量有很强的正相关，而与小投资者的中心性度量和描述公司作为知识桥梁的特征的相关性较弱但仍可检测到.最后，根据我们的分析，成功与公司和投资者的传播力（调和中心性）无关，也与投资者社区的紧密度（聚类系数）和传播能力（VoteRank）无关。
使用无监督深度学习对社交媒体上的政治倾向进行细粒度预测
原文标题： Fine-Grained Prediction of Political Leaning on Social Media with Unsupervised Deep Learning
地址： http://arxiv.org/abs/2202.12382
作者： Tiziano Fagni, Stefano Cresci
摘要： 预测社交媒体用户的政治倾向是一项越来越受欢迎的任务，因为它对选举预测、意见动态模型以及研究两极分化和虚假信息的政治维度很有用。在这里，我们提出了一种新颖的无监督技术，用于从社交媒体帖子的文本内容中学习细粒度的政治倾向。我们的技术利用深度神经网络在表示学习任务中学习潜在的政治意识形态。然后，用户被投射到一个低维的意识形态空间中，他们随后被聚集在一起。用户的政治倾向自动从用户被分配到的集群中得出。我们在两个具有挑战性的分类任务中评估了我们的技术，并将其与基线和其他最先进的方法进行了比较。我们的技术在所有无监督技术中获得了最好的结果，8 类任务中的微 F1 = 0.426，3 类任务中的微 F1 = 0.772。除了本身很有趣之外，我们的结果还为开发新的更好的无监督方法来检测细粒度的政治倾向铺平了道路。
使用标签细化从社交媒体话语构建大规模错误信息标签数据集
原文标题： Construction of Large-Scale Misinformation Labeled Datasets from Social Media Discourse using Label Refinement
地址： http://arxiv.org/abs/2202.12413
作者： Karishma Sharma, Emilio Ferrara, Yan Liu
摘要： 最近，传播错误信息的恶意账户导致了广泛的虚假和误导性叙述，尤其是在 COVID-19 大流行期间，社交媒体平台努力迅速消除这些内容。这是因为适应新领域需要人工密集的事实检查，速度缓慢且难以扩展。为了应对这一挑战，我们建议利用新闻来源可信度标签作为社交媒体帖子的弱标签，并提出模型引导的标签细化，以在新领域构建大规模、多样化的错误信息标签数据集。在用户的立场与新闻来源或文章可信度不一致的文章或社交媒体帖子级别，弱标签可能不准确。我们提出了一个框架，使用基于模型预测熵的不确定性抽样在初始弱标签上自我训练的检测模型来识别潜在不准确的标签，并使用自我监督或重新标记来纠正它们。该框架将根据相关用户的社区将帖子的社会背景结合起来，以显示不准确的标签，从而以最少的人力构建大规模数据集。为了向标记数据集提供区分误导性叙述的信息，其中信息可能缺少重要的上下文或具有不准确的辅助细节，所提出的框架将使用少数标记样本作为类原型，将高置信度样本分离为错误、未经证实、混合、大部分是错误的、大部分是真实，真实和揭穿的信息。该方法被证明可提供有关 COVID-19 疫苗的大规模错误信息数据集。
飓风疏散期间全网动态交通预测的深度学习方法
原文标题： A Deep Learning Approach for Network-wide Dynamic Traffic Prediction during Hurricane Evacuation
地址： http://arxiv.org/abs/2202.12505
作者： Rezaur Rahman, Samiul Hasan
摘要： 主动疏散交通管理很大程度上依赖于以高时空分辨率实时监控和预测交通流量。然而，由于预计飓风路径的突然变化以及因此家庭疏散行为引起的不确定性，疏散交通预测具有挑战性。此外，建模时空交通流模式需要较长时间段内的大量数据，而疏散通常持续 2 到 5 天。在本文中，我们提出了一种新的数据驱动方法，用于预测网络规模的疏散流量。我们开发了一个动态图卷积 LSTM (DGCN-LSTM) 模型来学习飓风疏散的网络动态。我们首先针对非疏散期交通数据训练模型，表明该模型在预测非疏散期交通量方面优于现有的深度学习模型，RMSE 值为 226.84。然而，当我们将模型应用于疏散期时，RMSE 值增加到 1440.99。我们通过采用迁移学习方法克服了这个问题，该方法具有与疏散交通需求相关的附加特征，例如与疏散区的距离、登陆时间和其他区域级特征，以控制来自非疏散期的信息（网络动态）传输到疏散期。最终的迁移学习 DGCN-LSTM 模型在预测疏散交通流量方面表现良好（RMSE=399.69）。实施的模型可用于预测较长预测范围（6 小时）内的疏散交通。它将协助运输机构启动适当的交通管理策略，以减少疏散交通的延误。
量子计算的新兴商业格局
原文标题： The emerging commercial landscape of quantum computing
地址： http://arxiv.org/abs/2202.12733
作者： Evan R. MacQuarrie, Christoph Simon, Stephanie Simmons, Elicia Maine
摘要： 量子计算技术正在进步，可解决问题的类别正在扩大。加上新企业和政府赞助的合作伙伴关系的出现，这些趋势将有助于降低新技术采用的障碍，并在不确定的市场中提供稳定性。在那之前，量子计算为新兴市场的不同策略提供了一个令人兴奋的测试平台。
超图中的核心-边缘检测
原文标题： Core-periphery detection in hypergraphs
地址： http://arxiv.org/abs/2202.12769
作者： Francesco Tudisco, Desmond J. Higham
摘要： 核心-外围检测是探索性网络分析中的一项关键任务，其中一个目标是找到一个核心，一组内部连接良好且与外围连接良好的节点，以及一个外围，一组仅（或大部分）与核心连接的节点.在这项工作中，我们提出了一种用于高阶网络的核心外围模型，该模型被建模为超图，并且我们提出了一种计算核心分数向量的方法，该向量量化每个节点与核心的接近程度。特别是，我们展示了该方法在全局范围内以任意精度解决了相应的非凸核心-外围优化问题。该方法与计算非线性超图算子的 Perron 特征向量一致，根据超图的关联矩阵适当地定义，概括了最近提出的超图中心性模型。我们对合成和真实世界的超图进行了几项实验，表明所提出的方法优于替代的核心-外围检测算法，特别是那些通过派系扩展将已建立的图方法转移到超图设置而获得的算法。
有向超图上的动态系统
原文标题： Dynamical systems on directed hyper-graphs
地址： http://arxiv.org/abs/2202.12810
作者： Mauro Faccin
摘要： 网络和图为大量系统提供了一个简单但有效的模型，这些系统构建块在成对交互中进行交互。这样的模型无法描述所有那些构建块以更高阶交互的系统。高阶图为我们提供了完成任务的正确工具。我们分析了有向超图的结构与在其上演化的动态系统之间的相互作用。我们将 h 上的动态系统连接到有效图上的相应随机游走。超动力学测量对应于有效动力学的类似测量。我们可以在有效图上使用简单且经过良好测试的算法。
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。本系列在公众号“网络科学研究速递”（netsci）和个人博客进行同步更新。