• 基于能量的主题耦合群体意见动态交互模型;
• DeepSpace：移动大数据的在线深度学习框架，用于理解人类移动模式;
• 网络分析中的极小极大率：图估计，社区检测和假设检验;
• SGR：自监督谱图表示学习;
• 通过各种链路重连策略增强网络容量;
• 相关性对时变通信网络路由和建模的影响;
• 弹性还是稳健性：识别铁路网络中的拓扑脆弱性;
• 多变量时空霍克斯过程与网络重构;
• 在线平台中的离线偏差：对Airbnb中多样性和同质性的研究;
• 在暗网黑客论坛上使用社会网络分析预测企业网络事件;

基于能量的主题耦合群体意见动态交互模型

原文标题： An energy-based interaction model for population opinion dynamics with topic coupling

地址： http://arxiv.org/abs/1607.06806

作者： Hossein Noorazar, Matthew J. Sottile, Kevin R. Vixie

摘要： 我们引入了一种新的，非常一般的基于成对交互势的观点动态变分模型和一系列意见演化协议，范围从随机交互到意见状态空间中的全局同步流。该模型支持主题“耦合”的概念，允许通过与不同主题上的其他人的间接互动来改变个人持有的观点。交互拓扑由确定交互的图控制。我们的模型实际上是一个变分模型家族，作为特殊情况，它具有许多先前建立的观点动态模型。在介绍模型后，我们研究了特殊情况的动态，其中潜力是帐篷函数或构造的钟形曲线。我们发现，即使在这些相对简单的潜在函数示例中，也会出现有趣的行为。我们还提出了模型行为的初步数值探索结果，以激发可以分析探索的问题。

DeepSpace：移动大数据的在线深度学习框架，用于理解人类移动模式

原文标题： DeepSpace: An Online Deep Learning Framework for Mobile Big Data to Understand Human Mobility Patterns

地址： http://arxiv.org/abs/1610.07009

作者： Xi Ouyang, Chaoyun Zhang, Pan Zhou, Hao Jiang, Shimin Gong

摘要： 近年来，移动设备的迅速普及创造了大量的移动数据。然而，随着移动网络的发展，诸如支持向量机（SVM）的一些浅层结构模型难以处理高维数据。在本文中，我们分析移动数据以预测人类轨迹，以通过称为“DeepSpace”的深层结构模型来理解人类移动模式。据了解，这是第一次将深度学习方法应用于预测人类轨迹。此外，我们开发了香草卷积神经网络（CNN）作为在线学习系统，它可以处理连续的移动数据流。通常，“DeepSpace”由对应于空间中不同尺度的两个不同预测模型（粗略预测模型和精细预测模型）组成。这两个模型构成了一个层次结构，使整个架构能够并行运行。最后，我们基于来自中国东南部城市的移动蜂窝网络的数据使用详细记录（UDR）来测试我们的模型，而不是像往常一样被其他人广泛使用的呼叫详细记录（CDR）。实验结果表明，“DeepSpace”在人体轨迹预测中具有广阔的应用前景。

网络分析中的极小极大率：图估计，社区检测和假设检验

原文标题： Minimax Rates in Network Analysis: Graphon Estimation, Community Detection and Hypothesis Testing

地址： http://arxiv.org/abs/1811.06055

作者： Chao Gao, Zongming Ma

摘要： 本文调查了一些基本限制的最新发展和网络分析的最佳算法。我们关注网络分析的三个基本问题中的极小极大最优速率：图估计，社区检测和假设检验。对于每个问题，我们回顾文献中的最新结果，然后是导致极小极大估计和测试的最佳程序背后的一般原则。这使我们能够从一般的角度将网络分析中的问题与其他统计推断问题联系起来。

SGR：自监督谱图表示学习

原文标题： SGR: Self-Supervised Spectral Graph Representation Learning

地址： http://arxiv.org/abs/1811.06237

作者： Anton Tsitsulin, Davide Mottin, Panagiotis Karras, Alex Bronstein, Emmanuel Müller

摘要： 将图表示为矢量是一项具有挑战性的任务;理想情况下，表示应易于计算，并有助于图表之间的有效比较，根据特定数据和手头的分析任务量身定制。遗憾的是，“一刀切”的解决方案是无法实现的，因为不同的分析任务可能需要对全局或局部图特征进行不同的关注。我们开发SGR，这是我们的第一个以自我监督的方式学习图表表示的知识。基于谱图分析，SGR无缝地结合了所有上述理想的特性。在广泛的实验中，我们展示了我们的方法如何在大型图表集合中工作，促进跨各种应用领域的自我监督表示学习，并且无需重新培训即可与最先进的方法进行竞争。

通过各种链路重连策略增强网络容量

原文标题： Network capacity enhancement with various link rewiring strategies

地址： http://arxiv.org/abs/1811.06261

作者： Suchi Kumari, Anurag Singh, Abhishek Saroha

摘要： 网络结构对其交通动态有很大影响。大多数现实世界网络遵循异构结构并展示无标度特征。在无标度网络中，新节点更喜欢与中心节点连接，并且网络容量会受到较小程度节点的限制。因此，我们建议重连网络中的一小部分链路，以提高网络传输效率。在本文中，我们讨论了各种链接重连策略，并在无标度网络上进行模拟，确认了这些策略的有效性。重连策略实际上降低了具有较高中介性中心性的节点的中心性。在链路重连过程之后，网络的度分布保持不变。这项工作有利于提高网络性能。

相关性对时变通信网络路由和建模的影响

原文标题： Effect of correlations on routing and modeling of Time Varying Communication Networks

地址： http://arxiv.org/abs/1811.06274

作者： Suchi Kumari, Anurag Singh

摘要： 大多数现实世界网络既复杂又不断发展。因此，研究网络拓扑对网络中流量和拥塞动态的影响非常重要。为了解决这个问题，我们设计了一个时变网络模型，其中一个新节点将加入现有网络中的一个节点，其概率与其邻居的程度和不协调性成正比。中介中心性（BC）在网络中找到有影响的节点和用户的最短路径起着重要作用。由于中心节点组成的最短路由和这些节点上的拥塞机会更多。因此，BC-BC相关用于找到用户的路线。两个集线器节点之间的连接以较高的概率降低了连接链路的数据转发能力。如果节点与其邻居显示出不协调性，则它可以转发更多分组并且可以选择用于路由。此外，计算用户的最佳数据发送速率以及所提出模型的关键分组生成速率，并且与经典的无标度网络模型相比，显示出改进的结果。

弹性还是稳健性：识别铁路网络中的拓扑脆弱性

原文标题： Resilience or Robustness: Identifying Topological Vulnerabilities in Rail Networks

地址： http://arxiv.org/abs/1811.06285

作者： Alessio Pagani, Guillem Mosquera, Aseel Alturki, Samuel Johnson, Stephen Jarvis, Alan Wilson, Weisi Guo, Liz Varga

摘要： 许多关键基础设施系统具有网络结构并且处于压力之下尽管它们具有国家重要性，但大规模传输网络的复杂性意味着我们无法完全理解它们对级联故障的脆弱性。本文的研究考察了大伦敦及周边通勤区的相互依存的铁路网络。我们专注于早上通勤时间，系统处于最需求压力之下。越来越多的证据表明，网络的拓扑形状在动态级联中起着重要作用。在这里，我们检查弹性（稳定性）或鲁棒性（失效）的不同拓扑测量是否更适合于理解不良铁路性能。结果表明，弹性而不是鲁棒性与消费者体验统计数据有很强的相关性。我们的结果是一种描述网络级联动态复杂性的方法，而不涉及基于主体的详细模型，表明级联效应对于性能低于故障的负责更多。网络科学分析暗示了通过减少反馈循环使网络结构更具弹性的途径。

多变量时空霍克斯过程与网络重构

原文标题： Multivariate Spatiotemporal Hawkes Processes and Network Reconstruction

地址： http://arxiv.org/abs/1811.06321

作者： Baichuan Yuan, Hao Li, Andrea L. Bertozzi, P. Jeffrey Brantingham, Mason A. Porter

摘要： 空间和时间数据中经常存在潜在的网络结构，网络分析工具可以产生对这些数据的迷人见解。在本文中，我们使用多变量Hawkes过程从时空数据集开发一种非参数的网络重建方法。与先前使用点过程模型进行网络重建的工作相比，点过程模型通常专注于时间信息，我们的方法使用时间和空间信息，并且不假设网络动态的特定参数形式。这导致了恢复底层网络的有效方法。我们使用合成网络和从真实世界数据集（基于位置的社交媒体网络，犯罪事件叙述和暴力团伙犯罪）构建的网络来说明我们的方法。我们的研究结果表明，与仅使用时间数据相比，我们的时空方法可以改善网络重建，为重建网络的有意义的后续分析（如社区结构和主题分析）提供基础。

在线平台中的离线偏差：对Airbnb中多样性和同质性的研究

原文标题： Offline Biases in Online Platforms: a Study of Diversity and Homophily in Airbnb

地址： http://arxiv.org/abs/1811.06397

作者： Victoria Koh, Weihua Li, Giacomo Livan, Licia Capra

摘要： 共享经济平台有多么多样？它们是公平的市场，所有参与者都在公平的竞争环境中运作，还是大规模的线下人类偏见的在线聚合器？这些平台通常被描述为参与者获得平等机会的易于访问的数字空间，最近由于其用户之间存在歧视行为的报道而受到抨击，并且与加剧种族现象之间存在的不平等现象有关。在本文中，我们关注Airbnb共享经济平台，并分析其在五个大城市的用户群的多样性。我们发现它主要是年轻人，女性和白人。值得注意的是，即使在种族构成多样化的城市，我们也发现这是真实的。然后，我们介绍了一种基于网络统计分析的方法，以量化Airbnb主机和客人之间的同性恋，异性恋和避免行为。根据城市和房产类型，我们确实发现了与种族和性别相关的此类行为的信号。我们利用这些发现提供平台设计建议，旨在揭示并可能减少我们检测到的偏差，以支持共享经济平台的更具包容性的增长。

在暗网黑客论坛上使用社会网络分析预测企业网络事件

原文标题： Predicting enterprise cyber incidents using social network analysis on the darkweb hacker forums

地址： http://arxiv.org/abs/1811.06537

作者： Soumajyoti Sarkar, Mohammad Almukaynizi, Jana Shakarian, Paulo Shakarian

摘要： 随着过去几年安全漏洞的增加，越来越需要从社交媒体平台挖掘洞察力，以提出可能的攻击警报，以试图在竞争中防御冲突。我们利用来自darkweb论坛的信​​息，利用用户交互的回复网络结构来预测企业网络攻击。我们在监督学习模型之上使用一套社会网络功能，并根据二进制分类问题对其进行验证，该问题试图预测组织在任何特定日期是否会发生攻击。我们通过实验得出结论，使用来自黑网中53个论坛的信息，在12个月的时间内预测真实世界组织对2个不同安全事件的网络攻击，分析用户组之间的路径结构比仅仅研究Pagerank等网络中心性更好。依赖于论坛中的用户发布统计信息。

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。