• 具有非线性动力学的复杂网络的基于结构的控制;
• 广义优先连接模型的分类;
• 具有两种对抗实体的复杂随机系统理论;
• 复杂网络中影响者识别的理论;
• 为什么我们生活在层级中：定量论文;
• 封闭在线学习社区的知识差距：网络分析发现，模拟和预测;

具有非线性动力学的复杂网络的基于结构的控制

地址： http://arxiv.org/abs/1605.08415

作者： Jorge G. T. Zañudo, Gang Yang, Réka Albert

摘要： 我们只能从其基础网络结构中了解到如何控制系统？在这里，我们调整最近开发的一个由广泛的非线性动力控制的网络控制框架，其中包括生物，技术和社会过程的主要动态模型。这种基于反馈的框架提供可实现的节点覆盖，无论具体的功能形式和系统参数如何，都可以将系统引向任何其自然长期动态行为。我们在几个实际网络中使用这个框架，识别预测节点覆盖的拓扑特征，并将其预测与控制理论中的结构可控性进行比较。最后，我们展示了该框架在基因调控网络的动态模型中的适用性，并且识别出覆盖在一般情况下控制所必需的节点，而不是在特定的模型实例中。

广义优先连接模型的分类

地址： http://arxiv.org/abs/1610.02819

作者： Alexander Krot, Liudmila Ostroumova Prokhorenkova

摘要： 在本文中，我们分析优选附件模型的分类性。我们处理了一系列优先连接模型（PA类）。以前表明，PA类的所有模型的度数分布遵循幂律。此外，分析了全局和平均局部聚类系数。我们通过分析PA模型的分类属性来扩展这些结果。即，我们分析$ d_ {nn}（d）$的行为，这是$ d $的顶点的邻居的平均程度。

具有两种对抗实体的复杂随机系统理论

地址： http://arxiv.org/abs/1702.07483

作者： Amin Zollanvari

摘要： 许多复杂系统具有两个特征：1）它们是随机的，2）它们的特征在于很多因素。同时，各种天然复合体系似乎具有两种相互交织的组分，这些成分对它们的平衡有抵消作用。在这项研究中，我们采用这几个特点为分析这种复杂系统奠定了基础。这些系统的平衡点通常通过平衡的动力学概念或其能量概念来研究，但不是两者兼有。我们假设这些系统试图调节其成分的状态向量，从而满足均衡的动力学和能量观念。基于这个假设，我们证明：1）存在一个点，使得对于较不丰富的成分满足均衡的动力学概念，并且同时调节更丰富实体的状态向量以最小化能量概念的平衡; 2）无限制地增加更少（更多）丰富的成分的效果使系统稳定（不稳定）;和3）系统的（无限制）均衡是稳定和不稳定实体的数量以相同的速率无限增加的点。

复杂网络中影响者识别的理论

地址： http://arxiv.org/abs/1707.01594

作者： Sen Pei, Flaviano Morone, Hernán A. Makse

摘要： 在社会和生物系统中，互动网络的结构异质性在一系列动力过程中引起了一小部分有影响力的节点或影响者的涌现。尽管比整个网络小得多，但这些影响者被观察到能够塑造不同背景下大群体的集体动力。因此，成功识别影响者应对各种现实世界的传播动态，如病毒式营销，疫情爆发和级联故障，都有深刻的影响。在本章中，我们首先总结了在复杂网络中找到单一影响者的基于中心的方法，然后从集体角度讨论了更复杂的多个影响者定位问题。提出集体影响理论，信仰传播与计算机科学的进步。最后，我们在各种现实世界系统中介绍影响者识别的一些应用，包括在线社交平台，科学出版物，大脑网络和社会经济系统。

为什么我们生活在层级中：定量论文

地址： http://arxiv.org/abs/1707.01744

作者： Anna Zafeiris, Tamás Vicsek

摘要： 本书涉及层次性集体行为的各个方面，其表现在大多数复杂系统本质上。从许多可能的话题中，我们计划提出一些我们认为有用的选择，从将光线从不同方向转移到我们相当普遍的主题上。我们的目的是通过现有方法提供重要贡献，并且远远超出传统方法获得的结果，通过应用更为量化的方法，然后应用常用方法（有许多关于定性解释的书籍）。除了考虑类似单位制的层次结构之外，我们还将从各个角度重点关注优势关系或集体决策过程。

封闭在线学习社区的知识差距：网络分析发现，模拟和预测

地址： http://arxiv.org/abs/1707.01886

作者： Rasoul Shafipour, Raiyan Abdul Baten, Md Kamrul Hasan, Gourab Ghoshal, Gonzalo Mateos, Mohammed (Ehsan) Hoque

摘要： 本文表明，一个异质的个体在一个积极的轨迹上的发言能力变得更加均匀，因为他们在一个在线平台上互相交流。实验数据来自一个名为ROC Speak（可在rocspeak.com上获得）的学习平台，除了收到自动反馈之外，个人还可以通过他们的说话技巧向对方提供书面反馈。我们将参与者和他们之间的互动代表为网络，并使用图信号处理工具来分析知识在网络中的传播。我们的研究结果表明，用户的表现评分除了彼此接近之外还有一个改善的趋势 - 换句话说，用户“拉”彼此更接近更好。我们假设这种效应是知识积累的结果，因为知识通过互惠互动在网络中扩散。这些见解激发了通过基于共识的扩散动力学对用户评级进化的建模和仿真，以合成这种知识传播机制的理想实例。最后，我们表明，当我们将这种“拉动”效应与个人绩效轨迹相结合时，我们能够更好地预测未来的结果，与基于单个轨迹的基准预测因子相比，提供交互信息对于参与者在个人层面的学习成果。