Arxiv网络科学论文摘要15篇(2020-10-21)

• 考虑拓扑的图池化网络;
• 因果网络模体：识别A/B测试中的异构溢出效应;
• 关系事件模型与逆强化学习之间的联系，用于表征群体互动序列;
• 不能通过外表来判断用户：了解社交媒体研究中多模式处理中的危害;
• 气候讨论中推文的传播;
• 目标路网中断导致的级联故障;
• 通过基于订阅的频道嵌入来理解YouTube社区;
• 鲁棒的异步和独立于网络的合作学习;
• 通过学习和预测行为进行早期异常检测;
• Heider与协同演化平衡：从离散到连续相变;
• 这是脓肿吗？在COVID-19电报群聊中分析公众意见和错误信息;
• 按需乘车服务用户的时空流动模式;
• 一种用于COVID-19大流行趋势分析和预测的计算工具;
• 通过随机游走量化城市中的种族隔离;
• 在COVID-19危机期间，行为性别差异得到了加强;

考虑拓扑的图池化网络

原文标题： Topology-Aware Graph Pooling Networks

地址： http://arxiv.org/abs/2010.09834

作者： Hongyang Gao, Yi Liu, Shuiwang Ji

摘要： 池化操作已显示对计算机视觉和自然语言处理任务有效。在图数据上执行池化操作的一个挑战是缺乏在图上没有很好定义的局部性。先前的研究使用全局排名方法对一些重要节点进行采样，但是其中大多数不能合并图拓扑。在这项工作中，我们提出了显式考虑图拓扑的拓扑感知池（TAP）层。我们的TAP层是一个两阶段的投票过程，用于选择图中的更重要节点。它首先执行本地投票，通过使每个节点参加其相邻节点来为每个节点生成分数。分数是本地生成的，因此可以明确考虑拓扑信息。此外，图拓扑已合并到全局投票中，以全局计算整个图中每个节点的重要性得分。总而言之，每个节点的最终排名得分是通过组合其本地和全球投票得分来计算的。为了鼓励在采样图中实现更好的图连通性，我们建议在排名分数的计算中添加一个图连通性项。图分类任务的结果表明，我们的方法始终比以前的方法具有更好的性能。

因果网络模体：识别A/B测试中的异构溢出效应

原文标题： Causal Network Motifs: Identifying Heterogeneous Spillover Effects in A/B Tests

地址： http://arxiv.org/abs/2010.09911

作者： Yuan Yuan, Kristen M. Altenburger, Farshad Kooti

摘要： 随机实验或“ A / B”测试仍然是评估政策干预或产品变更的因果关系的金标准。但是，实验环境（例如社会网络）之间的用户相互影响并相互影响，这违反了传统的假设，即可信因果推理不需要干扰。现有的解决方案包括考虑用户网络中已处理邻居的比例或数量，以及其他策略。但是，在指定网络干扰条件时，通常会有大量的研究人员自由度，并且大多数当前方法都无法简单地计算邻居数而不考虑本地网络结构。刻画本地网络结构很重要，因为它可以解释各种理论，例如结构多样性和回声室。我们的研究提供了一种方法，该方法既可以通过主题考虑用户社会网络中的本地结构，也可以解决邻居的分配条件。我们提出了一种分为两部分的方法。我们首先介绍并采用“因果网络主题”，即表征本地自我网络中分配条件的网络主题；然后我们提出了一种基于树的算法，用于识别不同的网络干扰条件并估算其平均潜在结果。我们在大规模网络和综合网络设置的真实世界实验中测试了我们的方法，这突出显示了如何考虑局部结构可以更好地解决网络中的不同干扰模式。

关系事件模型与逆强化学习之间的联系，用于表征群体互动序列

原文标题： Connections between Relational Event Model and Inverse Reinforcement Learning for Characterizing Group Interaction Sequences

地址： http://arxiv.org/abs/2010.09810

作者： Congyu Wu

摘要： 在本文中，我们探讨了网络科学领域中的关系事件模型（REM）与机器学习领域的逆向增强学习（IRL）之间先前无法确定的联系，因为它们能够表征群体环境中有向社会互动事件的序列。 REM是解决此类问题的常规方法，而IRL的应用则是一条不败之路。我们首先检查REM和IRL的数学成分，然后找到这两种方法之间的直接类比以及IRL方法的独特特征。我们通过经验实验展示了IRL在表征群体社交互动中的特殊效用，在该实验中，我们使用IRL根据一系列虚拟现实博弈玩家互动和合作完成的有向通信事件来推断个人的行为偏好。共同的目标。我们的比较和实验为社交行为分析引入了新的观点，并有助于激发社会网络分析和机器学习联系的新研究机会。

不能通过外表来判断用户：了解社交媒体研究中多模式处理中的危害

原文标题： Not Judging a User by Their Cover: Understanding Harm in Multi-Modal Processing within Social Media Research

地址： http://arxiv.org/abs/2010.09768

作者： Jiachen Jiang, Soroush Vosoughi

摘要： 社交媒体动摇了我们社会的基础，这看起来似乎不太可能。但是，许多用于管理有害数字内容的流行工具由于性能中等和缺乏问责制而受到了学术界和公共领域的广泛批评。尽管人们认为社交媒体研究主要集中在自然语言处理上，但我们证明了社区了解多媒体处理及其独特的道德考量的必要性。具体来说，当提供不同形式的信息时，我们确定Amazon Turk（MTurk）注释器的性能存在统计差异，并讨论了基于人群的人类人口预测所产生的危害模式。最后，我们通过在各种人口统计类别的Twitter用户的语言上审核名为Perspective API的毒性检测器的性能，来讨论这些偏见的后果。

气候讨论中推文的传播

原文标题： Spread of Tweets in Climate Discussions

地址： http://arxiv.org/abs/2010.09801

作者： Yan Xia, Ted Hsuan Yun Chen, Mikko Kivelä

摘要： 由于两极分化的讨论是由回声室内的思想传播所定义的，因此，表征导致群体传播的原因对于理解问题至关重要。我们在2019年诺贝尔和平奖宣布前后的Twitter转推气候变化讨论网络中探索流行和病毒内容的特征。由此产生的网络是两极化的，我们确定了其中的一个激进主义者和一个怀疑集团，两者之间的互动很少。我们使用独立的级联模型进一步将推文病毒性与推文流行度分离开来，发现流行功能不一定使内容更具病毒性。最重要的是，我们的研究结果表明，与病毒传播最密切相关的功能也可以增强组内联系，同时又可以排斥组外参与。这样，我们的研究从信息传播的角度为气候讨论的回声室的形成和维持提供了启示。

目标路网中断导致的级联故障

原文标题： Cascading Failure From Targeted Road Network Disruptions

地址： http://arxiv.org/abs/2010.09887

作者： Skanda Vivek

摘要： 最近的自然灾害表明，城市道路网容易遭受级联故障的影响，城市规模的交通拥堵证明了这一点。此外，互联网连接的车辆和智慧城市基础设施的兴起导致黑客和民族国家有可能针对破坏目标，从而最大程度地提高级联失败的可能性。尽管已经广泛研究了网络中的级联故障，但仍缺乏级联如何传播的时空特性。在这里，我们量化了城市交通网络有向破坏的可能性。在微观交通模拟的指导下，我们建立了一个理论框架来预测道路中断周围的级联交通拥堵的增长。我们使用手机位置记录中先前验证的起点-终点对将我们的框架应用于波士顿市。将我们的框架应用到波士顿后，我们发现，由于一些关键道路的相对重要性，针对性的道路中断导致最短时间路线的阻塞比例过大。我们发现，最初的针对性中断会很快影响很大一部分传入流量。根据初始破坏的百分比，车辆密度和特征性自由流动行程时间，级联发生在几分钟到几小时的时间尺度上。但是，连接组件分析显示，路由冗余性在脆弱性方面提供了一个数量级的提高，这表明增强传输能力以应对网络故障的潜力。

通过基于订阅的频道嵌入来理解YouTube社区

原文标题： Understanding YouTube Communities via Subscription-based Channel Embeddings

地址： http://arxiv.org/abs/2010.09892

作者： Sam Clark, Anna Zaitsev

摘要： YouTube是全球新闻和娱乐的重要来源，但其规模使其难以研究平台上正在讨论的想法和主题。本文介绍了发现和分类YouTube频道的新方法，这些方法可以使用比以前的研究中所使用的频道数量更多的数量级来分析平台上的社区和类别。这些方法没有像其他研究人员那样将频道和视频数据用作分类的功能，而是使用了自我监督的学习方法，该方法利用了评论者的公共订阅页面。我们在预测YouTube新闻频道的政治倾向的任务上测试了分类方法，发现该分类方法的性能优于以前的最佳模型。进一步的实验还表明，使用评论者订阅来发现频道具有重要的优势。订阅数据以及一种迭代方法可用于发现我们目前的理解，其中包括最全面的英语社会政治YouTube频道，尚待分析。我们进行了实验，使用先前注释的数据集预测了渠道的更细粒度的政治标签，发现对于大多数顶级标签，我们的模型比普通的人工审核者的效果更好。然后，将这种细粒度的政治标签模型应用于新发现的英语社会政治渠道，以创建一个新的数据集，以分析流向不同政治内容的流量。数据显示，仅查看最受欢迎的社会政治渠道时，“ Partisan Right”和“ Conspiracy”等某些标签的代表性明显不足。通过使用我们的方法，我们可以在YouTube上更准确地了解这些社区的规模。

鲁棒的异步和独立于网络的合作学习

原文标题： Robust Asynchronous and Network-Independent Cooperative Learning

地址： http://arxiv.org/abs/2010.09993

作者： Eduardo Mojica-Nava, David Yanguas-Rojas, César A. Uribe

摘要： 我们考虑通过分布式非贝叶斯学习进行合作学习的模型，在该模型中，主体网络试图共同商定一个最能描述一系列本地可用观测值的假设。在最近提出的弱通信网络模型的基础上，我们提出了一种鲁棒的协作学习规则，该规则允许异步通信，消息延迟，不可预测的消息丢失以及节点之间的有向通信。我们表明，我们提出的学习动力学保证了网络中所有主体对错误假设的信念将具有渐进指数衰减，这表明所有主体的信念将集中于最优假设。数值实验提供了许多网络设置的证据。

通过学习和预测行为进行早期异常检测

原文标题： Early Anomaly Detection by Learning and Forecasting Behavior

地址： http://arxiv.org/abs/2010.10016

作者： Tong Zhao, Bo Ni, Wenhao Yu, Meng Jiang

摘要： 图异常检测系统旨在识别社交网站和电子商务平台上的可疑帐户或行为。尽早发现异常用户对于最大限度地减少财务损失至关重要。当有大量观察到的行为数据可用时，尽管可能为时已晚以避免丢失，但现有方法仍然有效。但是，当早期观察到的数据非常有限时，它们的性能将无法令人满意。在这项工作中，我们提出了Eland，这是一个使用行为数据增强进行早期异常检测的新颖框架。它具有基于Seq2Seq的行为预测器，可预测（i）用户将采用新商品还是历史沿用的商品，以及（ii）将采用哪种商品。 Eland利用行为预测和图异常检测之间的相互增强。通过用预测的行为来扩充行为图，使得基于图的异常检测方法可以实现更好的性能，并且检测结果可以支持行为预测器。实验表明，Eland改进了多种基于图的异常检测方法的性能。使用Eland中的增强方法，在更大量的观测上，早期阶段的异常检测性能可与非增强方法媲美或优于非增强方法。

Heider与协同演化平衡：从离散到连续相变

原文标题： Heider and coevolutionary balance: From discrete to continuous phase transition

地址： http://arxiv.org/abs/2010.10036

作者： A. Kargaran, G. R. Jafari

摘要： 社会复杂网络中的结构平衡已经用两种类型的三联体相互作用建模。首先，仅考虑链接或关系的动态角色的交互（Heider平衡），其次，考虑网络动态中的个人观点（节点）和关系的交互（协同演化平衡）。问题是，随着温度的变化，这是衡量社会秩序的一种指标，这些三重态相互作用中的每一个如何建立或破坏结构平衡？我们使用统计力学方法，并通过分析计算和数值模拟观察到，与具有离散相变的Heider平衡三重态相互作用不同，共演化平衡具有连续的相变。提出的模型的临界温度随网络大小的平方根而变化，这是热Heider平衡的线性依赖性。

这是脓肿吗？在COVID-19电报群聊中分析公众意见和错误信息

原文标题： Is this pofma? Analysing public opinion and misinformation in a COVID-19 Telegram group chat

地址： http://arxiv.org/abs/2010.10113

作者： Lynnette Hui Xian Ng, Loke Jia Yuan

摘要： 我们分析了一个总部位于新加坡的COVID-19电报小组，该小组有10,000多名参与者。首先，我们随着时间的推移研究小组的意见，重点关注四个维度：参与度，情感，主题和心理特征。我们发现，当卫生部提高疾病预警水平时，参与度达到了顶峰，但是这种参与并没有持续。其次，我们在小组中搜索政府识别的错误信息。我们发现，政府识别的错误信息很少，讨论这些错误信息的消息表示怀疑。

按需乘车服务用户的时空流动模式

原文标题： Spatio-Temporal Mobility Patterns of On-demand Ride-hailing Service Users

地址： http://arxiv.org/abs/2010.10249

作者： Jiechao Zhang, Samiul Hasan, Xuedong Yan, Xiaobing Liu

摘要： 了解个人流动行为对于建模城市交通至关重要。它提供了有关人类运动产生机理的更深刻见解。以前已经使用诸如手机呼叫详细记录，社交媒体帖子，GPS观测值和智能卡交易之类的新兴数据源来揭示个人的移动行为。在本文中，我们使用从乘车服务平台收集的大规模数据报告时空流动行为。基于旅客级别的旅行信息，我们开发了一种算法来识别用户的访问过的地方以及这些地方的类别。为了表征时间运动模式，我们揭示了通勤和非通勤旅行之间的旅行产生特征的差异以及连续旅行之间的间隔时间的分布。为了了解空间流动性模式，我们观察了拜访地点数量及其等级的分布，住宅和工作场所的空间分布以及出行距离和出行时间的分布。与基于其他数据源进行的现有出行研究的结果相比，我们的分析突出了乘车服务用户出行方式的差异。它显示了开发高分辨率个人级别移动性模型的潜力，该模型可以以高保真度和准确性预测新兴移动性服务的需求。

一种用于COVID-19大流行趋势分析和预测的计算工具

原文标题： A computational tool for trend analysis and forecast of the COVID-19 pandemic

地址： http://arxiv.org/abs/2010.10332

作者： Henrique Mohallem Paiva, Rubens Junqueira Magalhaes Afonso, Fabiana Mara Scarpelli de Lima Alvarenga Caldeira, Ester de Andrade Velasquez

摘要： 目的：本文提出了一种方法和一种计算工具，用于研究全世界的COVID-19大流行并进行趋势分析以评估其局部动态。方法：使用数学函数来描述每个地区的病例和死亡人数，并预测其最终数目，以及每天最多发生的日期和当地的稳定日期。使用用于数值优化的计算方法来校准模型参数。运行趋势分析，可以评估公共政策的效果。提供了易于解释的拟合曲线质量指标。使用来自欧洲疾病预防控制中心（ECDC）的国家/地区数据，其中涉及世界各地每天的病例和死亡人数，以及约翰·霍普金斯大学和Brasil.io项目的详细数据，分别描述了发生的情况分别在美国县和巴西州和城市中。选择美国和巴西进行更详细的分析，因为它们是当前的大流行病源。结果：介绍并讨论了不同国家，美国各县以及巴西各州和城市的说明性结果。结论：这项工作的主要贡献在于（i）曲线的简单模型来表示数据，这使得过程自动化而无需专家干预； （ii）一种用于趋势分析的创新方法，其结果可提供重要信息，以支持当局的决策过程； （iii）开发的计算工具，该工具免费提供，并允许用户快速更新COVID-19对当局定期报告中出现的任何国家，美国县或巴西州或城市的分析和预测。

通过随机游走量化城市中的种族隔离

原文标题： Quantifying ethnic segregation in cities through random walks

地址： http://arxiv.org/abs/2010.10462

作者： Sandro Sousa, Vincenzo Nicosia

摘要： 社会经济隔离被认为是城市地区出现大规模不平等现象的主要因素之一，其特征是城市研究的活跃领域。当前有许多可用的空间隔离度量，但几乎所有度量都以非平凡的方式取决于所研究系统的规模和大小，或者大多忽略了大规模空间相关性的重要性，或者取决于参数很难在平等的基础上比较不同的系统。我们基于图上随机游走轨迹的统计特性，在此提出空间变异和局部空间多样性的两种非参数度量。我们显示这两个数量提供了对合成空间模式隔离的一致且直观的估计，并且我们使用它们来分析和比较美国和英国大城市地区的种族隔离。结果证实，通过简单地在图上进行扩散来衡量的空间差异和局部多样性提供了关于城市中各族裔的空间组织的有意义的见解，并使我们能够有效地比较世界范围内各个城市地区的种族隔离，形状或特殊的微观特征。

在COVID-19危机期间，行为性别差异得到了加强

原文标题： Behavioral gender differences are reinforced during the COVID-19 crisis

地址： http://arxiv.org/abs/2010.10470

作者： Tobias Reisch, Georg Heiler, Jan Hurt, Peter Klimek, Allan Hanbury, Stefan Thurner

摘要： 众所周知，行为差异存在于广泛的人类活动中，包括人们交流，移动，养活自己或组织休闲活动的方式。在COVID-19危机的第一阶段，使用来自奥地利120万台设备（占人口的15％）的移动电话数据，我们可以量化特定性别的通信强度，移动性和昼夜节律的模式。我们展示了行为模式对于奥地利在危机开始时所经历的全国范围的严格封锁所造成的冲击的韧性，这对公共和私人生活产生了严重影响。我们发现，在大流行的不同阶段，针对性别的反应存在巨大差异。锁定后，性别在活动能力和沟通方式上的差异大大增加，而睡眠方式和昼夜节律则趋于同步。特别是在锁定期间，女性拨打电话的次数少于男性，但比男性更长。男女的流动性都大大下降，但是，女性往往比男性更限制自己的运动。妇女表现出较强的避开购物中心的倾向，而男性则经常光顾娱乐场所。锁定之后，男性比女性更快地恢复正常；年轻的同龄人归来要快得多。差异是由年轻人和青少年造成的。年龄分层突出了退休对行为差异的作用。我们发现男人和女人一天的时间减少了一个小时。我们将根据针对压力和危机的针对性别的应对策略来讨论研究结果。

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。