• 集体暴力的微观动力学;
• 基于经验的基于主体的创新扩散模型：一个批判性综述
• 等价图的谱分割;
• 在线贝叶斯推理的扩散网络;
• 由一个音乐旋律模型引发的1/f噪音的产生;
• Facebook照片中的文化扩散与趋势;
• 表征粉丝行为研究社会分解;
• 谁会分享我的形象？预测在线社交网络中的内容扩散路径;

集体暴力的微观动力学

地址： http://arxiv.org/abs/1312.6809

作者： Jeroen Bruggeman

摘要： 两个对立组织之间的直接对抗的集体暴力发生在短时间内，其中小型的群体短暂地攻击少数对手，而大多数参与者形成了支持性的观众。这种机制是战斗人员在初步互动过程中相互调和节奏运动，克服了恐惧。以Randall Collins对冲突的观察结果作为风格化事实，这些涌现和亚组的小尺寸可以由同步模型解释。

基于经验的基于主体的创新扩散模型：一个批判性综述

地址： http://arxiv.org/abs/1608.08517

作者： Haifeng Zhang, Yevgeniy Vorobeychik

摘要： 创新扩散在社会学，经济学，市场营销，生态学，计算机科学等多个领域得到广泛的研究。关于创新扩散的传统文献由总体行为和趋势模型主导。然而，基于主体的建模（ABM）模式正在越来越受欢迎，因为它捕获代理异构性，并且能够对由社会和地理网络介导的交互进行细粒度建模。虽然大多数ABM在创新传播方面的工作是理论性的，但经验依据的模型越来越重要，特别是在指导政策决策时。我们对基于经验的基于主体的创新扩散模型进行了重要审查，基于主体模型和应用程序的类型开发了本研究的分类。通过连接信息和创新扩散领域的建模方法，我们建议前者广泛使用的最大似然估计框架是用于校准基于主体的创新扩散模型的有前途的范例。尽管已经对ABM方法标准化做了很多进展，但我们确定了模型校准和验证中的四个主要问题，并提出了潜在的解决方案。

等价图的谱分割

地址： http://arxiv.org/abs/1610.02668

作者： Paolo Barucca

摘要： 图分割问题出现在各种各样的复杂系统中，从生物学到金融学，但只能用于几个图集合，才能被严格分析和解决。在这里，研究了等价图的集合，即具有块规则结构的随机图，可以获得分析结果。特别地，这个集合的谱密度是针对模块化和二分体结构而精确计算的。分析发现Kesten-McKay关于随机规则图的定律，当块是均匀的时，也适用于模块化和二分体结构。提出并验证了两个相等大小社区的图分割的精确解决方案，并建议在公平图表中没有有效的恢复可检测性转换的推测。最终讨论总结了结果，并概述了与其他图集合中图分割问题的解决方案的相关性，特别是对随机块模型中可检测性阈值和分辨率极限的研究。

在线贝叶斯推理的扩散网络

地址： http://arxiv.org/abs/1611.01086

作者： Shohreh Shaghaghian, Mark Coates

摘要： 了解传播在整个网络中传播的过程在许多现实世界的应用中都是非常重要的。推理方法所需的复杂性取决于我们想要提取的信息类型以及可用于我们的观察次数。我们分析不仅需要检测底层网络结构（父母关系和链接强度）的场景，还必须估计感染时间。我们假设我们对扩散过程的唯一观察是一组时间序列，一个针对网络的每个节点，其在感染发生时呈现出变化点。在制定模型来描述传染性和选择适当的先验分布之后，我们寻求找到最能说明我们观察结果的模型参数集合。在贝叶斯框架中建模问题，我们利用蒙特卡洛马尔科夫链，顺序蒙特卡罗和时间序列分析技术来开发批量和在线推理算法。我们通过合成网络传播的数值模拟和现实世界数据集的分析来评估我们提出的算法的性能。

由一个音乐旋律模型引发的1/f噪音的产生

地址： http://arxiv.org/abs/1705.08888

作者： Martin Grant, Niloufar Faghihi

摘要： 我们提出一个模型来产生功率谱噪声，其强度与频率f的函数成比例1 / f。该模型来自对应于绝对音调的破坏对称变量，其中波动发生在尝试恢复该对称性的同时，受音乐旋律创作中的相互作用的影响。

Facebook照片中的文化扩散与趋势

地址： http://arxiv.org/abs/1705.08974

作者： Quanzeng You, Darío García-García, Mahohar Paluri, Jiebo Luo, Jungseock Joo

摘要： 在线社交媒体是一种社交媒介，人们可以通过视觉方式，即照片，与朋友分享生活中的各种时刻，比如玩运动，烹饪晚餐，或者只是通过自己的乐趣。我们的研究将仔细观察流行的视觉概念，从综合的，去识别的照片中说明各种文化生活方式。我们在宏观和微观层面进行分析，以获得关于全球和当地视觉趋势的新颖见解以及Facebook朋友之间人际文化交流和传播的动态。我们通过卷积神经网络（CNN）自动分类视觉内容来处理图像。通过各种统计测试，我们发现社会上的个人更有可能发布显示类似文化生活方式的图像。为了进一步确定观察到的社会关联的主要原因，我们使用洗牌测试和基于偏好的匹配估计（PME）测试来区分影响和同情的影响。结果表明，每个用户的照片的视觉内容在时间上虽然不一定是因果关系，与他们的朋友的照片相关联，这可能表明影响的影响。我们的论文表明，Facebook照片展现出不同的文化生活方式和偏好，通过社交媒体视觉渠道介导的社会互动，可以成为文化传播的有效机制。

表征粉丝行为研究社会分解

地址： http://arxiv.org/abs/1705.09087

作者： Kiran Garimella, Jonathan Cohen, Ingmar Weber

摘要： 名人与粉丝在现实生活中得到广泛的研究。然而，越来越多的名人使用社交媒体，名人和粉丝之间的互动动态发生了变化。使用来自一组57,000名粉丝的数据，Twitter上的顶尖名人，我们根据Twitter的活动定义了广泛的功能。使用因子分析，我们发现了支持粉丝行为的最重要因素。利用这些因素，我们对（i）通过性别和年龄来了解粉丝行为进行分析，以及（ii）社会分解行为。我们发现（i）fandom是一种社会现象，（ii）女性粉丝往往更加专注，年轻的粉丝更加积极和社交，（iii）最忠实的粉丝更有可能参与社会分裂。我们的研究结果证实了现有的关于社会互动的研究。鉴于我们的研究规模和对非反应性数据的依赖，我们的论文为社会互动研究开辟了新的途径。

谁会分享我的形象？预测在线社交网络中的内容扩散路径

地址： http://arxiv.org/abs/1705.09275

作者： Wenjian Hu, Krishna Kumar Singh, Fanyi Xiao, Jinyoung Han, Chen-Nee Chuah, Yong Jae Lee

摘要： 由于其对Facebook，Instagram，Twitter和Pinterest等社交媒体网站的用户和主持人的重要性和兴趣，内容流行度预测已被广泛研究。然而，现有的工作主要集中在使用单一指标来建模流行度，例如喜欢或股份的总数。在这项工作中，我们提出了Diffusion-LSTM，一种基于内存的深层复发网络，它学习通过社交网络递归地预测图像的整个扩散路径。通过结合用户社会特征和图像特征，并且使用显式存储单元对迄今为止所采用的扩散路径进行编码，与仅编码图像或社会特征或缺乏记忆的备选基线相比，我们的模型更准确地预测图像的扩散路径。通过将个人用户映射到用户原型，我们的模型可以推广到在培训期间未看到的新用户。最后，我们演示了我们的模型生成扩散树的能力，并且表明生成的树非常类似于真实树。