• 小型脆弱集合决定了电网中的大型网络级联;
• 涌现的科研综合网络结构;
• 热力学极限的合作行为触发：公共产品博弈案例研究;
• 通过添加边来改善复杂网络中节点的信息中心性;
• 在群体中自由移动或陷入困境：拥挤群体中信息超载和协调的数学建模;
• 分离或消亡 - 协同演化投票模型;
• 多层网络中使用无参数图修剪的共识社区检测;
• NHAD：基于神经模糊的在线社会网络横向异常检测;

小型脆弱集合决定了电网中的大型网络级联

原文标题： Small vulnerable sets determine large network cascades in power grids

地址： http://arxiv.org/abs/1804.06432

作者： Yang Yang, Takashi Nishikawa, Adilson E. Motter

摘要： 由于缺乏能够解释可变系统条件的实际大规模建模和分析，阻碍了对复杂系统中级联故障的理解。在这里，使用北美电网，我们识别，量化和分析在多种情况下容易发生级联故障的网络组件。我们表明，脆弱集由网络中的一个小但拓扑中心部分组成，并且大型级联不成比例地更可能由接近该集合的初始故障触发。这些结果阐明了与网格设计和操作相关的级联故障的起源和原因，并展示了适用于更广泛级联级联网络的漏洞分析方法。

涌现的科研综合网络结构

原文标题： The emergent integrated network structure of scientific research

地址： http://arxiv.org/abs/1804.06434

作者： Jordan D. Dworkin, Russell T. Shinohara, Danielle S. Bassett

摘要： 科学研究的实践往往被认为是追求纪律进步的个人和小团队。然而总的来说，这一努力更类似于一个复杂的自然计算系统，在这个系统中，信息的获取，生成和传播比单独行动的个人更有效。目前，这种科学思想综合创新格局的结构尚未得到很好的理解。在这里，我们使用网络科学工具来绘制自2000年以来多学科期刊PNAS所涵盖的相互关联的研究主题的景观。我们构建网络，其中节点代表研究主题并且边给出在相同论文中哪些主题发生的程度。该网络显示小世界架构，在科学群集内具有密集的连接性，并且群集之间的连接稀疏。值得注意的是，集群往往不与指定的文章分类对齐，而是包含各个学科的主题。使用含时图，我们发现小世界随着时间的推移而增加，这表明提高了效率和思想的整合。最后，我们定义了一种新的跨学科衡量标准，这与PNAS的影响因子正相关。广义而言，这项工作表明，复杂和动态的知识模式来自科学研究，反映智力整合的结构可能有利于获得科学洞察力。

热力学极限的合作行为触发：公共产品博弈案例研究

原文标题： Triggers for cooperative behavior in the thermodynamic limit: a case study in Public goods game

地址： http://arxiv.org/abs/1804.06465

作者： Shubhayan Sarkar, Colin Benjamin

摘要： 在这项工作中，我们的目标是回答这个问题 - 是什么触发了热力学极限的合作行为，通过追求公共产品博弈。使用将Ising模型Hamiltonian映射到博弈论中的收益的想法，我们计算了热力学极限下博弈的磁化。我们看到两名球员公共产品比赛的热力学极限发生了相变。我们观察到惩罚是两个玩家公共产品博弈引发合作的外部场所，而成本可能成为叛逃或压制合作的触发器。最后，奖励也可以作为合作的触发器，而反温（选择波动）的作用仍然不明确。

通过添加边来改善复杂网络中节点的信息中心性

原文标题： Improving information centrality of a node in complex networks by adding edges

地址： http://arxiv.org/abs/1804.06540

作者： Liren Shan, Yuhao Yi, Zhongzhi Zhang

摘要： 增加网络节点的中心性的问题出现在许多实际应用中。在本文中，我们研究了通过创建事件到$ v $的$ k $新边，使具有$ n $节点和$ m $边的网络中给定节点$ v $的信息中心性$ I_v $最大化的优化问题。由于$ I_v $是$ v $到所有节点之间的阻抗距离$ \ mathcal {R} _v $之和的倒数，我们可以考虑通过增加$ k $ new来最小化$ \ mathcal {R} _v $的问题边连接到$ v $。我们证明了目标函数是单调和超模的。我们提供了一个简单的贪婪算法，其逼近系数为$ \ left（1 \ \ frac {1} {e} \ right）$和$ O（n ^ 3）$运行时间。为了加速计算，我们还提出了一种算法，用于计算$ \ left（1 \ \ frac {1} {e} - \ epsilon \ right）$ - 近似抵抗距离$ \ mathcal {R} _v $迭代地添加$ k $边，其运行时间为$ \ widetilde {O}（mk \ epsilon ^ { - 2}）$任何$ \ epsilon> 0 $，其中$ \ widetilde {O}（\ cdot）$表示法抑制$ {\ rm poly}（\ log n）$因素。我们通过实验证明了我们提出的算法的有效性和有效性。

在群体中自由移动或陷入困境：拥挤群体中信息超载和协调的数学建模

原文标题： Free to move or trapped in your group: Mathematical modeling of information overload and coordination in crowded populations

地址： http://arxiv.org/abs/1804.06580

作者： A. Ciallella, E.N.M. Cirillo, P.L. Curseu, A. Muntean

摘要： 我们提出的建模策略描述了行人组在隐蔽空间中的运动和相互作用。我们首先介绍基于度量方法的平衡方程，然后利用概率元胞自动机模型的描述能力。基于平方格上简单对称随机游走的变化，我们测试了人口规模和人际吸引参数之间的相互作用，用于疏散受限和黑暗的空间。我们认为，信息超载和协调成本与小组信息处理相关是影响疏散率的两个关键过程。我们的研究结果表明，需要大量的计算资源来补偿不完整的信息 - （信息处理）群体中个体越多，低人口规模的出境率就越高。对于简单的社会系统而言，单个表示并不是多余的，并且大量的组大小可以确保这些非冗余信息实际上可供大量个人使用。对于复杂的社会系统而言，信息冗余使得信息评估和转换效率低下，因此组规模成为缺点而不是收益。考虑到内部障碍物的存在，使用蒙特卡罗框架仔细研究了群组大小对出射通量，疏散时间和墙壁效应的影响。

分离或消亡 - 协同演化投票模型

原文标题： Separate or perish - the coevolving voter model

地址： http://arxiv.org/abs/1804.06650

作者： K. Kulakowski, M. Stojkow, D. Zuchowska-Skiba, P. Gawronski

摘要： 近来对协同选举模型（J.Toruniewska等，PRE96（2017）042306）的概括在此进一步概括，包括重连的自旋相关概率。平均场结果表明，系统分裂成两个不同自旋的独立网络，或者一个自旋有向消失。在这两种情况下，活动链接的密度都等于零。结果在社交联系中以同质方式进行讨论。

多层网络中使用无参数图修剪的共识社区检测

原文标题： Consensus Community Detection in Multilayer Networks using Parameter-free Graph Pruning

地址： http://arxiv.org/abs/1804.06653

作者： Domenico Mandaglio, Alessia Amelio, Andrea Tagarelli

摘要： 聚类集成范式已经成为多层网络中社区检测的有效工具，它允许产生一致的解决方案，这些解决方案被设计为对算法选择和配置偏倚更加稳健。然而，一个限制与控制社区结构解决方案中共识程度的共同关联阈值的依赖性有关。这项工作的目标是克服这种局限性，采用基于集成的多层社区检测的新框架，该框架基于能够滤除噪声共联合的图修剪的生成模型的无共识社区的无参数识别。我们还提供了模块化驱动的基于集合的多层社区检测方法的增强版本，其中重新考虑节点的社区成员以优化共识解决方案的多层模块化。现实世界网络上的实验证据证实了使用基于模型的过滤方法的有益效果，并且还表明了所提出的方法在最先进的多层社区检测中的优越性。

NHAD：基于神经模糊的在线社会网络横向异常检测

原文标题： NHAD: Neuro-Fuzzy Based Horizontal Anomaly Detection In Online Social Networks

地址： http://arxiv.org/abs/1804.06733

作者： Vishal Sharma, Ravinder Kumar, Wen-Huang Cheng, Mohammed Atiquzzaman, Kathiravan Srinivasan, Albert Y. Zomaya

摘要： 社会网络的使用是当今生活的基本功能。随着越来越多的在线社交媒体的出现，可用信息及其利用受到了几个异常的威胁。异常是网络欺诈的主要原因，它允许未经授权的用户访问信息以及伪造信息。作为无声攻击者的异常之一是水平异常。这些是由于他/她对不同来源的变化行为而导致的用户异常情况。水平异常难以检测，并且对于任何网络都是危险的。在本文中，自修复神经模糊方法（NHAD）用于高效准确地检测，恢复和消除水平异常。所提出的方法在五个范例上运作，即缺失链接，声誉获得，显著差异，信任属性和信任评分。所提出的方法用三个数据集进行评估：DARPA’98基准数据集，合成数据集和实时流量。结果表明，拟合的NHAD模型对合成数据集中10％至30％异常的准确性介于98.08％至99.88％之间。对DARPA’98数据集的评估表明，所提出的方法比现有解决方案更好，因为它为异常类提供了99.97 \的检测率。对于实时流量，建议的NHAD模型的平均准确率为99.42％，检测率为99.90％。

声明：Arxiv文章摘要版权归论文原作者所有，由本人进行翻译整理，未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://netsci.complexly.cn （提供RSS订阅）进行同步更新。