• 有机器学习模型解释与预测的人类预测 - 欺骗检测案例研究;
• 角色动作嵌入：网络位置的可扩展表示;
• 在最大负载目标攻击下优化抗级联失效的鲁棒性;
• 在线社区的声誉系统;
• 虚拟社会科学;
• 相关性对时变通信网络通信容量的影响;
• 社会网络竞争性意见动态的两阶段投资博弈;
• 网络模型的精确秩约简;
• 含时图偏移重建：迈向时间稳健的图表示学习;

有机器学习模型解释与预测的人类预测 - 欺骗检测案例研究

原文标题： On Human Predictions with Explanations and Predictions of Machine Learning Models: A Case Study on Deception Detection

地址： http://arxiv.org/abs/1811.07901

作者： Vivian Lai, Chenhao Tan

摘要： 人类是涉及道德和法律问题的关键任务的最终决策者，从累犯预测到医疗诊断，再到打击假新闻。虽然机器学习模型有时可以在这些任务中获得令人印象深刻的性能，但这些任务不适合完全自动化。为了实现机器学习在改善人类决策方面的潜力，重要的是要了解机器学习模型的帮助如何影响人类绩效和人力资源。在本文中，我们使用欺骗检测作为测试平台，并研究如何利用机器学习模型的解释和预测来提高人类绩效，同时保留人类代理。我们提出了完整的人工代理和完全自动化之间的谱，并在谱上开发不同级别的机器辅助，逐渐增加机器预测的影响。我们发现，如果没有显示预测的标签，单独的解释在统计上不会显著改善最终任务中的人类表现。相比之下，通过显示预测标签（> 20％相对改善）可以大大提高人的表现，并且可以通过明确建议强机器性能来进一步改善。有趣的是，当显示预测标签时，机器预测的解释会产生与强机性能的明确陈述相似的准确度。我们的结果证明了人类表现与人类机构之间的权衡，并表明对机器预测的解释可以缓和这种权衡。

角色动作嵌入：网络位置的可扩展表示

原文标题： Role action embeddings: scalable representation of network positions

地址： http://arxiv.org/abs/1811.08019

作者： George Berry

摘要： 我们考虑在嵌入空间中嵌入具有相似局部邻域的节点的问题，通常称为“角色嵌入”。我们提出RAE，一个学习角色嵌入的无监督框架。它结合了节点内损失函数和图神经网络（GNN）架构，将具有相似局部邻域的节点放置在嵌入空间中。我们还提出了一种更快的方法来生成称为邻居改组的负面示例，这种示例可以在批量内直接快速创建负面示例。这些技术可以很容易地与现有的GNN方法结合起来，以大规模创建无监督的角色嵌入。然后，我们探索角色动作嵌入，它总结了节点邻域中的非结构特征，从而在节点分类任务中获得更好的性能。我们发现这里提出的模型体系结构在图和节点分类任务上都提供了强大的性能，在某些情况下可以与半监督方法竞争。

在最大负载目标攻击下优化抗级联失效的鲁棒性

原文标题： Optimizing Robustness against Cascading Failures under Max-Load Targeted Attack

地址： http://arxiv.org/abs/1811.08070

作者： Omur Ozel, Bruno Sinopoli, Osman Yagan

摘要： 受关键基础设施中网络可靠性的影响，我们考虑一类流网络对抗\ textit {目标}攻击的最佳鲁棒性，即最大负载目标攻击，它会触发由于删除最大负载线路部分而导致的级联故障。设置涉及 N 行的网络，初始加载 L_1，\ ldots，L_N ，来自独立且相同的均匀分布，以及要分配的自由空间或冗余 S_1，\ ldots，S_N 。在故障传播机制中，线路最初由于攻击而失败，之后由于过载而失败。在失败时承载的负载在系统中的所有剩余线路之间平均重新分配。我们分析了该网络对最大负载目标攻击的鲁棒性，该攻击消除了系统中线路的最大负载 p -fraction。系统设计者将 S_i 分配为每行中负载的随机函数。假设平均可用资源预算，我们表明在一些监管假设下，在节点之间平均分配所有行的自由空间是最优的。我们提供数值结果，验证所有线路的相等自由空间分配在更一般的目标攻击场景中都能以最佳方式执行。

在线社区的声誉系统

原文标题： Reputation System for Online Communities

地址： http://arxiv.org/abs/1811.08149

作者： Anton Kolonin, Ben Goertzel, Deborah Duong, Matt Ikle, Nejc Znidar

摘要： 随着现代分布式系统中交互的速度和规模的增加，理解社区共识的原则并找到有利于整个社区的最佳解决方案变得至关重要。这样的系统可以是联合大量人的社交和信息计算机网络以及基于对等交互的多代理计算平台，包括那些基于分布式分类账操作的交互。现在，混合生态系统的出现变得可能，这种系统包括人类和使用人工智能的计算机系统。我们根据参与者的声誉，根据“流动民主”的原则计算出所有列出的系统的新形式的共识。我们相信，与现有系统相比，这样的系统对社会工程和声誉操纵更具抵抗力。在本文中，我们将讨论实现此类系统的基本原则和选项，并提供初步的实际结果。

虚拟社会科学

原文标题： Virtual social science

地址： http://arxiv.org/abs/1811.08156

作者： Stefan Thurner

摘要： 当我们了解个人的所有行为，互动和状态时，我们能否以定量和预测的方式描述社会系统？我们将人类社会解释为个体及其相互作用的共同演化系统。基于计算机博弈玩家社会的独特数据，所有玩家之间的所有行动和互动都是已知的，我们表明这可能确实是可能的。在这个框架内，我们讨论了许多社会学经典，包括社会网络的形成，关系的力量，群体形成，等级组织，侵略管理，性别差异，流动性和财富不平等。我们发现了智人及其社会的行为和组织模式，这些模式在社会科学的传统方法中是不可见的。

相关性对时变通信网络通信容量的影响

原文标题： Effect of correlation on the traffic capacity of Time Varying Communication Network

地址： http://arxiv.org/abs/1811.08191

作者： Suchi Kumari, Anurag Singh

摘要： 网络拓扑和路由策略是影响网络流量动态的主要因素。在这项工作中，我们的目标是设计一个最佳的时变网络结构，并为网络中的每个用户分配一个有效的路由。通过考虑链路的添加，删除和重连来设计网络拓扑。在每个时刻，新节点基于与其邻居的度和相关性与现有节点连接。通过重连一些拥塞链路以及移除反优先和相关链路来处理交通拥堵。中心性在寻找网络中最重要的节点方面发挥着重要作用。节点越是中心，它就越能用于用户对的最短路径，并且由于来自其邻域的大量数据，它可能会拥塞。因此，选择用户的路线，使得出现在用户路线中的节点的中心性的总和最小。此后，我们利用各种网络属性分析网络结构，如聚类系数，中心性，平均最短路径，富俱乐部系数，平均分组传播时间和顺序参数。

社会网络竞争性意见动态的两阶段投资博弈

原文标题： A Two Phase Investment Game for Competitive Opinion Dynamics in Social Networks

地址： http://arxiv.org/abs/1811.08291

作者： Swapnil Dhamal, Walid Ben-Ameur, Tijani Chahed, Eitan Altman

摘要： 我们提出了社会网络中两阶段意见动态的设置，其中第一阶段节点的最终意见在第二阶段作为其初始偏见。在这种情况下，我们通过战略性地投资两个阶段的节点来研究两个阵营的问题，旨在最大限度地采用各自的意见。节点在第二阶段的初始意见自然在确定该节点的最终意见中起关键作用，因此也决定了网络中其他节点由于其对它们的影响而发挥的关键作用。更重要的是，这种偏见也决定了营地在第二阶段对该节点的投资的有效性。为了使这两阶段的投资设置正式化，我们提出了Friedkin-Johnsen模型的扩展，从而制定了营地的效用函数。在两个阶段之间分配预算时需要进行权衡。第一阶段的较低投资导致第二阶段的初始偏差较差，而较高的投资则导致第二阶段的可用预算较低。我们首先分析只有一个阵营进行投资的非竞争性案例，为此我们提出了一个多项式时间算法，用于确定在两个阶段之间划分阵营预算的最佳方式。然后我们分析竞争阵营的情况，其中我们展示了纳什均衡的存在，并且它可以在合理的假设下在多项式时间内计算。我们通过对真实世界网络数据集的模拟来总结我们的研究，以便量化初始偏差的影响以及节点归因于其初始偏差的影响，以及偏离其均衡策略的阵营的影响。我们的主要结论是，如果节点将高权重归因于其初始偏差，则在第一阶段中具有高投资是有利的，以便有效地影响在第二阶段中利用的偏差。

网络模型的精确秩约简

原文标题： Exact rank-reduction of network models

地址： http://arxiv.org/abs/1811.08299

作者： Eugenio Valdano, Alex Arenas

摘要： 随着大数据时代的到来，复杂网络的模型正在从直接计算模拟中变得难以捉摸。我们提出了无向网络模型的精确线性代数约简方案。我们将它们分组为普遍性类，并以计算上可承受的方式计算它们的相关属性（例如，谱）。通过利用网络的预期邻接矩阵的双线性结构，我们分离其空本征空间，并将模型的精确描述减少到更小的向量空间。我们表明，这种矩阵的等级和特征需要对网络模型进行自然而全面的分类。减少还为简化其属性计算提供了环境。根据所提供的通用分类，所提出的方案将非常有用于研究网络上的动态过程，以及对未来模型的理解。

含时图偏移重建：迈向时间稳健的图表示学习

原文标题： Temporal Graph Offset Reconstruction: Towards Temporally Robust Graph Representation Learning

地址： http://arxiv.org/abs/1811.08366

作者： Stephen Bonner, John Brennan, Ibad Kureshi, Georgios Theodoropoulos, Andrew Stephen McGough, Boguslaw Obara

摘要： 图是用于表示复杂高维数据集中的元素之间的关系的常用构造。许多现实世界的现象本质上是动态的，这意味着用于表示它们的任何图本质上都是时间性的。然而，许多用于捕获关于这些图的结构的知识的机器学习模型在创建图的表示时忽略了这种丰富的时间信息。这导致模型在用于对图的未来状态进行预测时表现不佳 - 尤其是当时间戳之间的差值不小时。在这项工作中，我们探索了一种新颖的训练程序和一个相关的无监督模型，该模型创建了图表示，这些图表示被优化以预测图的未来状态。我们利用图卷积神经网络将图编码为潜在表示，然后我们用它来训练我们的时间偏移重建方法，该方法受自动编码器的启发，以预测后来的时间点 - 未来的多个时间步骤。使用我们的方法，与非时间最先进的基线相比，我们展示了未来链路预测任务的卓越性能。我们展示了我们的方法能够在真实世界数据集上超出非时间基线38％。

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。