• 对人类休息时期的季节性和地理影响;
• 图的平均场动力学I：随机和小世界图的概率元胞自动机的演变;
• 呼吁谣言：深入关注基于循证神经网络的早期谣言检测;
• 追溯高阶马尔柯夫过程的用户轨迹;
• PAFit：用于在时间复杂网络中建模和估计优先附着和节点适应度的R包;
• 从移动电话呼叫模式跟踪城市人类活动;

对人类休息时期的季节性和地理影响

地址： http://arxiv.org/abs/1607.06341

作者： Daniel Monsivais, Kunal Bhattacharya, Asim Ghosh, Robin I.M. Dunbar, Kimmo Kaski

摘要： 我们使用大量个人的手机数据研究季节性和地理上相关的日光和环境温度对人类休息或睡眠模式的影响。我们观察了人们聚集的手机呼叫模式中的两个日常不活动时期，并推断这些时间代表了人们的休息时间。我们发现夜间休息时间受到白昼长度的强烈影响，其季节性变化取决于纬度，对于生活在两个不同城市的人们，八分之一的纬度，人们之间的休息时间差异南部城市的夏季和冬季几乎是北方城市的两倍。我们还观察到，下午休息期的持续时间受到温度的影响，并且有一个这个影响所限定的阈值。最后，我们观察到，下午和夜间休息期的年度动态似乎是每个平衡其他。这也有助于人们每年休息时间总体上保持一年或更少的概念。

图的平均场动力学I：随机和小世界图的概率元胞自动机的演变

地址： http://arxiv.org/abs/1610.05105

作者： Lourens J. Waldorp, Jolanda J. Kossakowski

摘要： 最近显示了如何使用图来提供精神病理学的描述，其中抑郁症的症状相互影响，某些配置决定某人是否可能陷入萧条。分析随着时间的变化和表征未来可能的行为对于大型图表来说是相当困难的。我们使用从平均场方法（基本）概率元胞自动机（PCA）获得的一维离散时间动力系统理论来描述网络的动态。通常，平均场方法在常规图（网格或环面）上使用，其中每个节点具有相同数量的边缘并且具有相同的变为活动概率。我们表明，我们可以使用网格的平均场的变体来描述PCA在随机和小世界图上的动态。网格，随机和小世界图的平均场的分岔图表示某些参数设置的可能的相位转换。广泛的模拟表明不同的图大小（节点数），平均场逼近是准确的。平均场方法允许我们提供对抑郁症中“跳跃”行为的可能解释。

呼吁谣言：深入关注基于循证神经网络的早期谣言检测

地址： http://arxiv.org/abs/1704.05973

作者： Tong Chen, Lin Wu, Xue Li, Jun Zhang, Hongzhi Yin, Yang Wang

摘要： 传播和信息传播中社会媒体的扩散使其成为传播谣言的理想平台。在他们的扩散阶段自动揭开谣言被称为\ textit {早期谣言检测}，它指的是处理有争议的事实性声明的连续的帖子，具有一定的变化和高度的文本重复。因此，识别趋势传言需要一种高效而灵活的模型，能够捕获过帐之间的长距离依赖关系，并为准确的早期检测产生不同的表示。然而，将常规分类算法应用于早期的谣言检测是一项具有挑战性的任务，因为它们依赖手工制作的功能，在大量帖子的情况下需要大量人工操作。本文在循证神经网络（RNN）的基础上提出了一个深刻的注意力模型，以学习用于识别谣言的连续帖子的“选择性”时间隐藏表示。提出的模式将软件注意力转化为复发，以同时集中特别关注的不同特征，并产生隐藏的表示，捕获相关帖子随时间的上下文变化。从社交媒体网站收集的真实数据集的广泛实验表明：（1）基于深度关注的RNN模型优于依靠手工制作的最先进的技术; （2）引入软注意机制，可以提前从原来的职位有效地提炼相关部分的传言; （3）提出的方法比竞争对手更快更准确地发现谣言。

追溯高阶马尔柯夫过程的用户轨迹

地址： http://arxiv.org/abs/1704.05982

作者： Tao Wu, David Gleich

摘要： 用户在浏览网页时形成信息路径，使用地理定位，费率项目或消费媒体进行签到。一个常见的问题是预测用户可能为了指导，推荐或预取目的而下一步做什么。一阶和更高阶的马尔科夫链已经被广泛使用的方法来研究这种数据序列。一阶马尔可夫链很容易估计，但在历史重要性方面缺乏准确性。相比之下，高阶马尔科夫链具有太多的参数，并且受到过度拟合训练数据的困扰。通过正则化和平滑调整这些参数仅提供轻微的改进。在本文中，我们提出回溯性高阶马尔可夫过程（RHOMP）作为这种序列的低参数模型。该模型是高阶马尔可夫链的特殊情况，其中过渡依赖于单个历史状态而不是历史状态的任意组合。有两个立即的计算优势：参数的数量是马尔科夫链的顺序线性，并且模型可以适合大的状态空间。此外，通过向高阶链路提供特定的结构，RHOMP通过有效利用历史状态而不会过度拟合数据的风险来提高模型的准确性。我们演示如何从数据中估计RHOMP，并且我们演示了我们的方法对涵盖地理位置数据，查看序列和业务位置的各种实际应用数据集的有效性。 RHOMP模型在预测精度方面均匀地胜过高阶马尔可夫链，Kneser-Ney正则化和张量因子分解。

PAFit：用于在时间复杂网络中建模和估计优先附着和节点适应度的R包

地址： http://arxiv.org/abs/1704.06017

作者： Thong Pham, Paul Sheridan, Hidetoshi Shimodaira

摘要： 许多现实世界的系统被有利地描述为随着时间的推移而复杂的网络。优先依赖和节点适应度是两个普遍存在的增长机制，不仅解释了在现实系统中通常观察到的某些结构特性，而且还与建模和推理中的许多应用相关联。虽然有用于估计复杂网络的结构性质的标准统计软件包，但在增长机制的估计方面没有相应的包装。本文介绍了R包PAFit，其实现了用于估计优选附件和节点适应度的完善的统计方法，以及从这两种机制产生复杂网络的一些功能。该软件包的主要计算部分使用OpenMP在C ++中实现，以确保大型网络的良好性能。在本文中，我们首先介绍了使用仿真实例的PAFit的主要功能，然后使用该软件包来分析复杂网络领域的科学家之间的协作网络。

从移动电话呼叫模式跟踪城市人类活动

地址： http://arxiv.org/abs/1704.06187

作者： Daniel Monsivais, Asim Ghosh, Kunal Bhattacharya, Robin I.M Dunbar, Kimmo Kaski

摘要： 大城市的人类活动通过夹带在不同的外来时钟上而遵循每日节奏。在这里，我们利用大规模的数据分析技术来研究人口稠密城市的呼叫活动，以推断城市日常节奏的动态。从一百万用户的呼叫模式分布在不同城市，但位于同一时区内，我们显示呼叫活动的开始和终止与太阳的东西走向同步。我们还发现，用户的呼叫活动的开始和终止遵循每年不同季节的动态，并且其时间被夹带到太阳的午夜。此外，我们显示，由于生物和社会因素，居住在城市的人们平均睡眠时间取决于每个队列的年龄和性别。