• 竞争性含时网络中价值与成本权衡的增长动力学;
• 使用重要的环路来理解模型行为;
• 寻找你的脚：一个用于估计板球测试中击球手的能力的高斯过程模型;
• 通过非常稀疏的随机投影实现快速准确的网络嵌入;
• 网络嵌入的对抗训练方法;
• 尺度的层析成像;
• 在线回声室中的递归模式;
• 情绪如何推动意见分化：基于主体的模型;
• 推特上的网络仇恨及其对社交媒体治理策略的启示;
• 加权图中紧密核心群搜索的快速算法;
• 北卡罗来纳州最优立法县聚类;
• 季节性收益变化与社会困境中的合作演变;
• 以太坊区块链结构：复杂网络理论视角;
• 复现流动的场论;
• 让社区表现出对秩序的尊重;
• 含时网络中的有效时间可达性估计;

竞争性含时网络中价值与成本权衡的增长动力学

原文标题： Growth Dynamics of Value and Cost Trade-off in Competitive Temporal Networks

地址： http://arxiv.org/abs/1908.11433

作者： Sheida Hasani, Razieh Masoomi, Jamshid Ardalankia, Mohammadbashir Sedighi, Hamid Jafari

摘要： 问题是：真实世界的网络会发生什么，导致它们不能永久增长？这里的想法是，现实世界的网络必须支付增长的成本。我们通过成本和优先连接一起调查网络中价值和成本之间的增长和权衡。由于BA模型中的优先附着不考虑对网络的无限增长的任何阻止，我们引入了BA模型的优先附着的修改版本。这个想法很有意义，因为真实网络的增长可能是有限的。在本研究中，通过结合时间网络科学（区间图）中的优先附着，以及制定链接的价值和成本的一阶微分方程，说明了演化网络的未来均衡。在获得胜利的过程中，可能会出现诸如竞争成本等增长的变量，以及内部结构成本。最后，通过应用这种修改后的模型，我们发现了在价值和成本之间进行权衡的情况。

使用重要的环路来理解模型行为

原文标题： Understanding model behavior using loops that matter

地址： http://arxiv.org/abs/1908.11434

作者： William Schoenberg, Pål Davidsen, Robert Eberlein

摘要： 结构和行为之间的联系是系统动力学的核心，但是理解这种关系的有效工具仍然无法实现。循环优势分析领域的当前技术水平依赖于实践者的直觉和经验或者以特征值分析或路径参与度量的形式的复杂算法操作。本文提出了一种新的独特方法，用于在生成模型行为时找到“重要的循环”。这是一种数值方法，能够确定模型中每个循环的影响，并确定每个时间点的主导行为。该方法的灵感来自对模拟过程中变量值变化的观察，并且已经使用各种不同模型的经验评估进行了改进。除了解释行为之外，该方法还显示出改进模拟结果的可视化和聚合的前景。

寻找你的脚：一个用于估计板球测试中击球手的能力的高斯过程模型

原文标题： Finding your feet: a Gaussian process model for estimating the abilities of batsmen in Test cricket

地址： http://arxiv.org/abs/1908.11490

作者： Oliver George Stevenson, Brendon James Brewer

摘要： 在板球运动中，球员击球能力传统上使用击球率来衡量。然而，由于年龄和经验的喜欢，击球平均值无法衡量在局内发生的能力的短期变化，以及局之间发生的长期变化。我们推导并拟合贝叶斯参数模型，该模型采用高斯过程来测量和预测板球运动员的击球能力如何在整个职业生涯中变化和波动。结果使我们能够更好地量化和预测球员击球能力，与传统板球统计数据（如击球率）和更复杂的模型（如官方国际板球理事会评级）相比。

通过非常稀疏的随机投影实现快速准确的网络嵌入

原文标题： Fast and Accurate Network Embeddings via Very Sparse Random Projection

地址： http://arxiv.org/abs/1908.11512

作者： Haochen Chen, Syed Fahad Sultan, Yingtao Tian, Muhao Chen, Steven Skiena

摘要： 我们提出了FastRP，一种可扩展的高性能算法，用于学习图中的分布式节点表示。 FastRP比DeepWalk和node2vec等最先进的方法快4,000倍，同时在各种下游任务的几个真实网络上实现了可比较甚至更好的性能。我们观察到大多数网络嵌入方法由两部分组成：构造节点相似性矩阵，然后将降维技术应用于该矩阵。我们表明，这些方法的成功应该归功于这种相似性矩阵的正确构造，而不是所采用的降维方法。 FastRP被提议作为网络嵌入的可扩展算法。 FastRP的两个关键特性是：1）它明确地构造了一个节点相似性矩阵，该矩阵捕获图中的传递关系，并根据节点度对矩阵条目进行归一化; 2）它利用非常稀疏的随机投影，这是一种可扩展的无优化方法，用于降维。结合这两种设计选择的额外好处是它允许迭代计算节点嵌入，因此不需要显式构造相似性矩阵，这进一步加速了FastRP。 FastRP还易于实现，并行化和超参数调整。源代码可从https://github.com/GTmac/FastRP获得。

网络嵌入的对抗训练方法

原文标题： Adversarial Training Methods for Network Embedding

地址： http://arxiv.org/abs/1908.11514

作者： Quanyu Dai, Xiao Shen, Liang Zhang, Qiang Li, Dan Wang

摘要： 网络嵌入是学习网络连续节点表示的任务，已经证明它在诸如链路预测和节点分类的各种任务中是有效的。大多数现有工作旨在保留低维嵌入向量中的不同网络结构和属性，同时忽略许多现实世界网络中存在的噪声信息以及嵌入学习过程中的过度拟合问题。最近，利用基于生成对抗网络（GAN）的正则化方法来规范嵌入学习过程，这可以促进嵌入向量的全局平滑性。这些方法具有非常复杂的架构，并且受到公认的GAN非收敛问题的困扰。在本文中，我们旨在介绍一种更简洁有效的局部正则化方法，即对抗训练，网络嵌入，以实现模型的鲁棒性和更好的泛化性能。首先，通过在嵌入空间中定义对抗性扰动来应用对抗性训练方法，其具有取决于节点对的连接模式的自适应 L_2 范数约束。虽然它作为一个正规化器是有效的，但它受到可解释性问题的困扰，这可能会妨碍它在某些现实场景中的应用。为了改进这一策略，我们进一步提出了一种可解释的对抗性训练方法，通过在离散图域中强制重建对抗性示例。这两种正则化方法可以应用于许多现有的嵌入模型，我们将DeepWalk作为本文的基本模型进行说明。链路预测和节点分类的实证评估证明了所提方法的有效性。

尺度的层析成像

原文标题： Tomography of scaling

地址： http://arxiv.org/abs/1908.11549

作者： Marc Barthelemy

摘要： 尺度描述了表征系统的给定数量 Y 如何随其大小 P 而变化。对于大多数复杂系统，它的形式为 Y sim P ^ beta ，其指数值为 beta ，通常由回归方法确定。噪音的存在使得很难用 beta neq 1 来判断是否存在非线性行为，我们建议通过调查两个不同的大小系统 P_1 和 P_2 来规避拟合问题。彼此相关。这导致我们定义了一个局部尺度指数 beta _ mathrm loc ，我们研究它与比率 P_2 / P_1 并提供某种“断层扫描”，可以在不同的尺寸比值上进行尺度。这种分析使我们能够评估系统中非线性的相关性，并确定一个有效的指数，该指数最小化误差，用于预测 Y 的值。我们在城市的各种真实世界数据集上说明了这种方法，并表明我们的方法在某些情况下强化了标准分析，但也能够在不确定的情况下提供新的见解，并检测尺度形式中的问题，例如缺少单个尺度指数或阈值效应的存在。

在线回声室中的递归模式

原文标题： Recursive patterns in online echo chambers

地址： http://arxiv.org/abs/1908.11583

作者： Emanuele Brugnoli, Matteo Cinelli, Walter Quattrociocchi, Antonio Scala

摘要： 尽管有趣的目的，社交媒体改变了用户访问信息，辩论和形成意见的方式。事实上，最近的研究表明，在线用户倾向于推广他们喜欢的叙述，从而形成围绕共同信仰系统的两极化群体。确认偏差有助于说明用户是否传播内容的决策，从而在可识别的社区内创建信息级联。与此同时，这些社区内有利信息的汇总加强了选择性曝光和群体两极分化。沿着这条道路，通过彻底的定量分析，我们处理超过1.2M Facebook用户的连接模式，这些用户处理两个非常矛盾的叙述：科学和阴谋新闻。通过分析这些数据，我们定量研究了两种机制（即挑战避免和强化寻求）背后的确认偏差的影响，这是社交媒体中人类行为的主要驱动因素之一。我们发现挑战避免机制触发了两个不同的和极化的用户群（即回声室）的出现，这些用户也倾向于被具有相似信仰系统的朋友包围。通过基于网络的方法，我们展示了强化寻找机制如何限制邻居的影响，并且主要驱动内容的选择和扩散，甚至在志同道合的用户之间，从而促进在同一回声室内形成高度极化的子簇。最后，我们表明，两极分化的用户通过利用他们志同道合的邻居的活动来强化他们先前存在的信念，并且这种趋势随着用户参与度的增加而增长，这表明同伴影响如何作为对强化寻求的支持。

情绪如何推动意见分化：基于主体的模型

原文标题： How emotions drive opinion polarization: An agent-based model

地址： http://arxiv.org/abs/1908.11623

作者： Frank Schweitzer, Tamas Krivachy, David Garcia

摘要： 我们提供基于主体的模型来解释集体意见的出现，而不是基于不同意见之间的反馈，而是基于主体之间的情感交互。驱动变量是主体人的情绪状态，其特征在于他们的价值和他们的唤醒。两者都决定了他们的情绪表达，从中产生了集体情感信息。该信息以非线性方式反馈情绪状态和个体意见的动态。我们得出情绪互动的关键条件，以获得意见的共识或极化。基于随机主体的模拟和模型的形式分析解释了我们的结果。讨论了验证模型的可能方法。

推特上的网络仇恨及其对社交媒体治理策略的启示

原文标题： A Study of Cyber Hate on Twitter with Implications for Social Media Governance Strategies

地址： http://arxiv.org/abs/1908.11732

作者： Rob Procter, Helena Webb, Marina Jirotka, Pete Burnap, William Housley, Adam Edwards, Matt Williams

摘要： 本文探讨了通过增强新数字空间自我治理的机制可以减轻网络仇恨的有害影响的方法。我们报告了针对网络仇恨帖子的反应的混合方法研究的结果，其旨在：（i）通过进行定性交互分析和开发统计模型来解释人们如何在这种情况下进行交互，以解释发布到网络仇恨的响应量。 Twitter，以及（ii）探索使用机器学习技术来帮助识别网络仇恨反言。

加权图中紧密核心群搜索的快速算法

原文标题： Fast Algorithms for Intimate-Core Group Search in Weighted Graphs

地址： http://arxiv.org/abs/1908.11788

作者： Longxu Sun, Xin Huang, Rong-Hua Li, Jianliang Xu

摘要： 已经在各种图表上研究了发现依赖于查询的社区的社区搜索。作为社区搜索的一个实例，在加权图上的亲密核心组搜索是找到包含具有最小组权重的所有查询节点的连接的 k -core。然而，现有的最先进的方法从最大的 k -core开始，以改进答案，这对于大型网络来说实际上是低效的。在本文中，我们开发了一个有效的框架，称为局部探索k核搜索（LEKS），以在图中找到亲密核心组。我们提出了一个小加权生成树来连接查询节点，然后逐级将树扩展为连接的 k -core，最终将其细化为一个亲密核心组。我们还为关键节点设计了一种保护机制，以避免崩溃的 k -core。对现实生活网络的广泛实验验证了我们方法的有效性和有效性。

北卡罗来纳州最优立法县聚类

原文标题： Optimal Legislative County Clustering in North Carolina

地址： http://arxiv.org/abs/1908.11801

作者： Daniel Carter, Zach Hunter, Dan Teague, Gregory Herschlag, Jonathan Mattingly

摘要： 北卡罗来纳州的宪法要求州立法区不应该分裂县。但是，必须将各州分开，以符合美国最高法院的“一人一票”的要求。鉴于必须拆分县，北卡罗来纳州立法机构和法院已经提供了指导方针，旨在减少跨地区划分的县，同时也遵守“一人一票”标准。根据这些准则，各县分为若干群。这项工作的主要目标是根据法院在2015年制定的指导方针，开发，展示和公开发布算法，以优化聚类县。我们使用此工具调查2017年重新划分条件下已实施集群的最优性和唯一性处理。我们验证所制定的集群是否是最佳的，但找到其他最佳选择。我们强调，我们提供的工具列出了 textit all可能的最佳县聚类。我们还在不断变化的全州人口中探索聚类的稳定性，并预测在2020/2021年开始的下一个重新划分周期中县集群的情况。

季节性收益变化与社会困境中的合作演变

原文标题： Seasonal payoff variations and the evolution of cooperation in social dilemmas

地址： http://arxiv.org/abs/1908.11805

作者： Attila Szolnoki, Matjaz Perc

摘要： 不同的环境条件会影响社会困境中相互作用的个体之间的关系，从而影响合作的演变。这些环境变化通常是季节性的，因此可以在数学上描述为周期性变化。因此，我们在此研究社会困境的不同表现之间的周期性变化如何影响合作。我们观察到固有的时空动态之间的非平凡的相互作用，这种动态特征是特定社会困境类型中合作的传播和支付变化的频率。特别是，我们表明两个可用全球订购博弈之间的周期性变化最快，而全球和本地订购博弈之间的周期性变化最好是合作蓬勃发展。我们还表明，两个本地排序社会困境之间的周期性变化的频率是无关紧要的，因为那时过程很快并且简单地返回两者的平均合作水平。交互网络的结构也起着重要作用，因为格子促进了局部排序，而随机图阻碍了紧凑合作集群的形成。相反，对于本地排序，交互网络的常规结构仅略微相关，因为角色分离棋盘模体不依赖于远程排序。

以太坊区块链结构：复杂网络理论视角

原文标题： On the Ethereum Blockchain Structure: a Complex Networks Theory Perspective

地址： http://arxiv.org/abs/1908.11808

作者： Stefano Ferretti, Gabriele D’Angelo

摘要： 在本文中，我们使用复杂网络建模框架分析以太坊区块链。作用于区块链的账户表示为节点，而记录在区块链上的这些账户之间的交互被视为网络中的链接。使用这种表示，可以得出有趣的数学特征，以提高对区块链中发生的实际交互的理解。不仅通过查看区块链的历史，还可以验证区块链演变是否发生了根本变化。

复现流动的场论

原文标题： Field theory for recurrent mobility

地址： http://arxiv.org/abs/1908.11814

作者： Mattia Mazzoli, Alex Molas, Aleix Bassolas, Maxime Lenormand, Pere Colet, Jose J. Ramasco

摘要： 了解人员流动对于预测流行病传播，规划交通基础设施和城市化等应用至关重要。传统上，通过调查收集移动信息，而移动技术的普遍采用带来了大量（实时）数据。轻松访问这些信息打开了研究迄今尚未探索的理论问题的大门。在这项工作中，我们展示了一系列全球城市，每日流量的通勤可以映射到一个表现良好的矢量场，实现发散定理，此外，无旋转。这个属性允许我们定义该领域的潜力，该领域可以成为确定独立的流动盆地和辨别相邻城市区域的主要工具。我们还表明，经验通量和势能可以使用所谓的引力模型很好地再现和分析表征，而基于干预机会的其他模型具有严重的困难。

让社区表现出对秩序的尊重

原文标题： Making Communities Show Respect for Order

地址： http://arxiv.org/abs/1908.11818

作者： Vaiva Vasiliauskaite, Tim S. Evans

摘要： 在这项工作中，我们提供了一种社区检测算法，其中社区既尊重有向非循环图的内在顺序，又发现类似的节点。我们从文献计量学的经典相似性度量中汲取灵感，用于根据相对引用模式评估两种出版物的相似程度。我们研究了算法在人工模型和实际网络中的性能和反链特性，如引文图和食物网。我们展示了这种分区算法如何区分并将相同来源的节点组合在一起（在引文网络中，原点是主题或研究领域）。我们在分区算法和标准分层分层工具以及社区检测方法之间进行了比较。我们证明了我们的算法从标准分层算法中产生了不同的社区。

含时网络中的有效时间可达性估计

原文标题： Efficient limited time reachability estimation in temporal networks

地址： http://arxiv.org/abs/1908.11831

作者： Arash Badie Modiri, Márton Karsai, Mikko Kivelä

摘要： 时间限制状态表征了在网络顶部发展的若干动态过程。在流行病蔓延期间，感染者可能会在一段时间后恢复，如果信息传播，人们可能会忘记新闻或认为新闻过时，或者在旅行路线系统中，乘客可能不会永远等待连接。这些系统可以被描述为有限的等待时间过程，其可以沿着由交互节点的时间限制状态强烈确定的可能的网络路径发展。这对于时间网络尤其重要，其中交互的时间尺度是异构的并且以各种方式相关。先前已经通过从采样的源集合中找到可达性或通过模拟扩展过程来研究时间路径的结构。最近提出时间事件图作为时间网络的有效表示，其一次映射所有时间相关路径，以便可以研究它们如何在时间网络结构中形成连接结构。然而，他们的分析仅限于它们的弱连接组件，这些组件仅为其物理上重要的内部和外部组件提供上限，以确定任何动态过程的下游结果。在这里，我们提出了一种概率计数算法，该算法可以对时间网络中的每个起始事件同时和精确地估计内部和外部可达性（具有任何选定的等待时间限制）。我们的方法是可扩展的，允许测量具有数亿个事件的时间网络。这开辟了以全新的方式分析大型时间网络中的可达性，传播过程和其他动态的可能性;根据所有事件的全局可达性计算中心性;或者很有可能发现确切的节点和时间，这可能导致最大的流行病爆发。

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。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。