• forgeNet：使用基于树的集合分类器进行特征提取的图深度神经网络模型;
• 基于超网络的用户创新知识集成模型;
• 多方面隐私：如何在不暴露敏感属性的情况下表达您的在线角色;
• 扩展的无标度网络;
• 复杂网络中的信息对等;
• 监控动态网络：基于模拟的策略，用于比较监控方法和比较研究;
• 复杂网络中点对点传输的形态组织;
• 预测巴西法院的判决;
• 基于模块化的注意力模型的无监督社区检测;
• Tempus Volat，Hora Fugit——离散和连续时间动态网络模型综述;

forgeNet：使用基于树的集合分类器进行特征提取的图深度神经网络模型

原文标题： forgeNet: A graph deep neural network model using tree-based ensemble classifiers for feature extraction

地址： http://arxiv.org/abs/1905.09889

作者： Yunchuan Kong, Tianwei Yu

摘要： 对于组学数据的预测模型构建的一个独特挑战是样本（n）与大量特征（p）相比较少。这种“ n ll p ”属性使用深度学习技术为疾病结果分类带来了困难。通过结合外部基因网络信息（例如图嵌入式深度前馈网络（GEDFN）模型）进行稀疏学习已成为该问题的解决方案。但是，此类方法需要现有的特征图，并且特征图的潜在错误指定可能对分类和特征选择有害。为了解决这一局限并开发一个不依赖外部知识的稳健分类模型，我们提出了一个 underline for test underline g raph- underline e mbedded deep feedforward underline net work（forgeNet）model ，将GEDFN架构与森林特征图提取器集成，以便可以以监督的方式学习特征图，并专门为给定的预测任务构建。为了验证方法的能力，我们使用合成和真实数据集对forgeNet模型进行了实验。由此产生的高分类精度表明该方法是对组学数据的稀疏深度学习模型的有价值的补充。

基于超网络的用户创新知识集成模型

原文标题： An Integrated Model for User Innovation Knowledge Based on Super-network

地址： http://arxiv.org/abs/1905.09923

作者： Xiao Liao, Zhihong Li, Yunjiang Xi, Haibo Wang, Kenneth Zantow

摘要： 在线用户创新社区正在成为用户创新知识和创意用户的有前途的来源。为了识别有价值的创新知识和用户，本研究构建了一个集成的超级网络模型，即用户创新知识超级网络（UIKSN），将零散的知识，知识领域，用户和帖子整合到在线社区知识系统中。 。基于UIKSN，具体确定了核心创新知识，核心创新知识领域，核心创新用户以及个人用户的知识结构。这些研究结果有助于捕捉产品，流行创新和创意用户的创新趋势，并为挖掘做出贡献，并在社区创新理论中整合和分析创新知识。

多方面隐私：如何在不暴露敏感属性的情况下表达您的在线角色

原文标题： Multifaceted Privacy: How to Express Your Online Persona without Revealing Your Sensitive Attributes

地址： http://arxiv.org/abs/1905.09945

作者： Victor Zakhary, Ishani Gupta, Rey Tang, Amr El Abbadi

摘要： 社会网络流分析中的最近工作表明，可以从用户写入或参与的主题中准确地推断出用户的在线角色属性（例如，性别，种族，政治兴趣，位置等）。属性和偏好推断已广泛用于提供个性化推荐，有向广告以及增强社会网络中的用户体验。但是，泄露用户的敏感属性可能会对某些人构成隐私威胁。微观定位（例如，Cambridge Analytica丑闻），监视和辨别广告是由敏感属性推断引起的对用户隐私的威胁的示例。在本文中，我们提出了Multifaceted privacy，这是一种新颖的隐私模型，旨在模糊用户的敏感属性，同时公开保留用户的公共角色。为了实现多方面的隐私，我们构建了Aegis，这是一个以客户为中心的原型社会网络流处理系统，有助于保护多方面的隐私，从而允许社会网络用户自由表达他们的在线角色，而不会泄露他们敏感的选择属性。 Aegis允许社会网络用户控制哪些角色属性应该公开显示以及哪些属性应该保密。为此，Aegis不断向社会网络用户建议主题和主题标签，以便对其敏感属性进行模糊处理，从而混淆基于内容的敏感属性推断。仔细选择建议的主题以保留用户公开显示的角色属性，同时隐藏其私有敏感角色属性。我们的实验表明，添加少至0到4个混淆帖子（取决于显示原始帖子的方式）会成功隐藏用户指定的敏感属性，而不会更改用户的公共角色属性。

扩展的无标度网络

原文标题： Extended Scale-Free Networks

地址： http://arxiv.org/abs/1905.10267

作者： Arthur Charpentier, Emmanuel Flachaire

摘要： 最近，Alderson等人。 （2009）提到（严格）无标度网络在现实生活中很少见。这可能与Stumpf，Wiuf＆May（2005）的声明有关，即无标度网络的子网络不是无标度的。在后来，这些子网络渐近无标度，但不应忘记二阶偏差（实际上也可能是三阶偏差）。在本文中，我们介绍了扩展的无标度网络的概念，受扩展的Pareto分布的启发，实际上描述真实网络可能比严格的自由属性更真实。该属性与Stumpf，Wiuf＆May（2005）一致：无标度大型网络的子网络不是严格无标度的，而是扩展无标度。

复杂网络中的信息对等

原文标题： Information parity in complex networks

地址： http://arxiv.org/abs/1905.10281

作者： Aline Viol, Philipp Hövel

摘要： 对复杂网络理论越来越感兴趣，导致对新分析工具的持续需求。我们提出了一种基于信息论的新方法，为更好地理解网络系统提供了新的视角：称为“信息奇偶校验”，它量化了节点之间关于整个网络架构的影响协调。考虑到测地距离的统计，信息奇偶校验检测一对节点可以如何影响并受网络影响。这允许我们量化节点收集的信息的质量。为了证明该方法的潜力，我们评估了社会网络和人脑网络。我们的研究结果表明，社会网络中节点的意识形态取向等新兴现象受到其信息平台的严重影响。我们还表明，解剖学大脑网络在位于矢状平面附近的半球间对应区域具有更大的信息对等。最后，与整个网络相比，功能网络平均具有更大的半球间通信区域的信息平价。我们发现具有高信息奇偶性的一对区域表现出更高的相关性，这表明皮质区域之间的功能相关性可以部分地由它们对整个大脑的整体影响的对称性来解释。

监控动态网络：基于模拟的策略，用于比较监控方法和比较研究

原文标题： Monitoring dynamic networks: a simulation-based strategy for comparing monitoring methods and a comparative study

地址： http://arxiv.org/abs/1905.10302

作者： Lisha Yu, Inez M. Zwetsloot, Nathaniel T. Stevens, James D. Wilson, Kwok Leung Tsui

摘要： 最近，人们对监测和识别动态网络的变化产生了很大的兴趣，这导致了各种监测方法的发展。不幸的是，没有系统地比较这些方法;此外，新方法通常是针对特定用例而设计的。鉴于此，我们建议使用仿真来比较网络监控方法在各种动态网络变化中的性能。使用我们的模拟动态网络系列，我们比较了文献中几种最先进的社会网络监控方法的性能。我们将他们的表现与各种类型的变化进行比较;我们考虑通信水平的提高，节点倾向的变化以及社区结构的变化。我们表明，不存在一种统一优于其他方法的方法;最好的方法取决于上下文和希望检测的更改类型。因此，我们得出结论，网络监控需要多种方法，并且了解给定方法适合的场景非常重要。

复杂网络中点对点传输的形态组织

原文标题： Morphological organization of point-to-point transport in complex networks

地址： http://arxiv.org/abs/1905.10333

作者： Min-Yeong Kang, Geoffroy Berthelot, Liubov Tupikina, Christos Nicolaides, Jean-Francois Colonna, Bernard Sapoval, Denis S. Grebenkov

摘要： 我们研究了复杂无标度网络中点对点电力，扩散或液压传输的结构组织。应用电位差的两个节点（源极和漏极）的随机选择选择两个树状结构，一个从源出现，另一个会聚到漏极。这些树合并成剩余节点的大群，这些节点被发现是准等势的，因此几乎不存在对运输的阻力。这种全局“树簇 - 树”结构是通用的，并导致电流分布的幂律衰减。其指数 -2 由树的连续分支点处的电流的乘法减少确定，并且发现其与网络连通度和电阻分布无关。

预测巴西法院的判决

原文标题： Predicting Brazilian court decisions

地址： http://arxiv.org/abs/1905.10348

作者： André Lage-Freitas, Héctor Allende-Cid, Orivaldo Santana, Lívia de Oliveira-Lage

摘要： 预测案件结果是有用的，但对于律师和其他法律专业人员来说仍然是一项极其困难的任务。搜索案例信息以提取有价值的信息并不容易，因为这需要处理大量数据集及其复杂性。例如，巴西法律制度的复杂性以及高诉讼率使得这个问题更加困难。本文介绍了一种预测巴西法院判决的方法，该方法也能够预测该决定是否一致。我们开发了一个工作原型，对来自巴西法院的4,043个案件组成的数据集执行79％的准确度（F1分数）。据我们所知，这是第一项预测巴西法官判决的研究。

基于模块化的注意力模型的无监督社区检测

原文标题： Unsupervised Community Detection with Modularity-Based Attention Model

地址： http://arxiv.org/abs/1905.10350

作者： Ivan Lobov, Sergey Ivanov

摘要： 在本文中，我们讨论了无监督节点聚类在图上的问题，并展示了注意模型的最新进展如何能够成功地应用于问题的“硬”状态。我们提出了一种无监督算法，通过优化软模块性损失对Bethe Hessian嵌入进行编码，并认为我们的模型对于经典和图神经网络（GNN）模型都具有竞争力，同时它可以在单个图上进行训练。

Tempus Volat，Hora Fugit——离散和连续时间动态网络模型综述

原文标题： Tempus Volat, Hora Fugit – A Survey of Dynamic Network Models in Discrete and Continuous Time

地址： http://arxiv.org/abs/1905.10351

作者： Cornelius Fritz, Michael Lebacher, Göran Kauermann

摘要： 鉴于可用于建模动态网络的工具数量不断增加，合适模型的选择变得至关重要。通常很难比较不同模型的适用性和解释。本次调查的目的是提供流行的动态网络模型的概述。该调查的重点是引入具有相应假设，优势和不足的二元网络模型。根据生成过程划分模型，分别在离散和连续时间操作。首先，我们介绍时间指数随机图模型（TERGM）及其扩展，可分离TERGM（STERGM），两者都是时间离散模型。然后将这些模型与连续过程模型进行对比，重点关注关系事件模型（REM）。我们还展示了REM如何处理时间聚类观测，即在离散时间点观察到的连续时间数据。除了讨论理论性质和拟合程序外，我们还特别关注使用代表国际武器转让的网络模型的应用。该数据允许证明网络模型的适用性和解释。

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。