• 网络中基于路径的中心性“富人俱乐部”;
• 随机游走拉普拉斯矩阵和网络中心性度量;
• 移动性有助于问题解决系统避免群体思维;
• 动态拉普拉斯度量：加权或无权演化网络的有效中心性度量;

网络中基于路径的中心性“富人俱乐部”

原文标题： On Rich Clubs of Path-Based Centralities in Networks

地址： http://arxiv.org/abs/1808.02903

作者： Soumya Sarkar, Animesh Mukherjee, Sanjukta Bhowmick

摘要： 许多无标度网络展现出丰富的俱乐部结构，其中高度顶点形成紧密互连的子图。在本文中，我们探讨了在基于最短路径的中心度指标的背景下富俱乐部的出现。我们将这些连接的高亲密度或高度顶点的子图称为富裕的中心俱乐部（RCC）。我们在现实世界和合成网络上的实验突出了RCC，扩展器图和网络核心 - 外围结构之间的相互关系。我们从经验和理论上证明了RCC存在，如果网络的核心 - 外围结构是每个壳是一个扩展图，并且它们的密度从内壳到外壳减小。本文的主要贡献是：（i）我们证明了RCC的形成与核 - 外围结构有关，特别是每个壳的膨胀器性质，（ii）我们证明了RCC属性可以用来找到有效的种子节点用于传播信息和提高网络在扰动下的弹性，最后，（iii）我们提出了一种修改算法，可以在网络中插入RCC，同时不影响其他结构属性。总而言之，这些贡献是对基于路径的中心性的富俱乐部的属性和应用的首次全面研究之一。

随机游走拉普拉斯矩阵和网络中心性度量

原文标题： Random Walk Laplacian and Network Centrality Measures

地址： http://arxiv.org/abs/1808.02912

作者： Daniel Boley, Alejandro Buendia, Golshan Golnari

摘要： 有向图上的随机遍历用于模拟许多领域中的活动，例如社会网络，影响传播和贝叶斯图模型。它们通常用于根据各种不同标准计算各个节点的重要性或中心性。在这里，我们展示了如何使用“随机游走”拉普拉斯矩阵的伪逆来快速计算诸如给定节点的平均访问次数以及各个节点的各种中心性和中介性度量之类的度量，无论是对于网络还是在在这种情况下，要避免节点的子集。我们表明，通过单个矩阵求逆，可以快速计算出许多这样的量。

移动性有助于问题解决系统避免群体思维

原文标题： Mobility helps problem-solving systems to avoid Groupthink

地址： http://arxiv.org/abs/1808.02931

作者： Paulo F. Gomes, Sandro M. Reia, Francisco A. Rodrigues, José F. Fontanari

摘要： 当群体中的每个人开始思考时，就会发生群体思维，就像人们对领导者无限信任一样。避免这种现象是对解决问题的企业普遍存在的挑战，典型的对策涉及集团成员的流动性。在这里，我们使用基于主体的模仿学习模型来研究代理的移动性对于找到NK-适应度景观的全局最大值所需的时间的影响。代理商通过交换关于他们的适合度的信息进行合作，并使用该信息来复制他们的影响邻域中的最适合的代理，其由面对面交互网络确定。由于代理在二维空间中执行随机游走，因此影响邻域是可变的。我们发现移动性对于解决容易出现的问题（即没有表现出次优解决方案或局部最大值的问题）是有害的。然而，对于困难问题，移动性可以防止模仿搜索被困在次优解决方案中并且保证比独立搜索任何系统大小更好的性能。

动态拉普拉斯度量：加权或无权演化网络的有效中心性度量

原文标题： Dynamic Laplace: Efficient Centrality Measure for Weighted or Unweighted Evolving Networks

地址： http://arxiv.org/abs/1808.02960

作者： Mário Cordeiro (1 and 2), Rui Portocarrero Sarmento (1 and 2), Pavel Brazdil (2), João Gama (2) ((1) Doctoral Program in Informatics Engineering - Faculty of Engineering at University of Porto, (2) INESC TEC - Institute for Systems and Computer Engineering Technology and Science)

摘要： 社会网络分析（SNA）源于社会学，迅速出现并传播到其他研究领域，包括人类学，生物学，信息科学，组织研究，政治科学和计算机科学。通过使用网络和图论来研究社会结构是客观的，社会网络分析现在是几个领域的重要研究领域。社会网络分析应对不同的问题，即网络指标，模型，可视化和信息传播，每个问题都有几种方法，方法和算法。社会网络分析的一个关键领域涉及计算不同的中心度量（即：图中最重要的顶点）。今天，面临的挑战是如何快速有效地实现这一目标，因为许多越来越大的数据集可用。最近，需要将这种中心算法应用于非静态网络（即：随时间演变的网络）也是一个新的挑战。中心性措施的增量和动态版本开始出现（中介，亲近等）。我们的贡献是拉普拉斯中心度量的两个增量版本的提议，其不仅可以应用于大图，还可以应用于加权或未加权的动态变化网络。实验评估是在不同类型的演化网络中进行的几项测试，增量或全动态。结果表明，我们的增量版本的算法可以在增量和全动态网络设置中比相应的批量版本更快，更有效地计算大型网络中的节点中心。

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。