• 地平线上的麻烦：在线对话发展过程中预测脱轨;
• 社会影响对收养行为的影响：在线控制实验评价;
• 基于相似性的链路预测的对抗鲁棒性;
• 小世界有利于网络推理;
• Facebook上分享的研究有多少是公开的？围绕PLOS ONE论文的公共和私人在线活动比较;
• 利用图卷积通过对抗域自适应进行网络迁移学习;
• 改划选区：行贿者的观点;
• 社会网络作为高等教育机构形象塑造的工具;
• 同一共享的不同吸收：为假新闻检测筛选多任务学习;
• 流动状态：不平等的联盟可以产生权力真空;

地平线上的麻烦：在线对话发展过程中预测脱轨

原文标题： Trouble on the Horizon: Forecasting the Derailment of Online Conversations as they Develop

地址： http://arxiv.org/abs/1909.01362

作者： Jonathan P. Chang, Cristian Danescu-Niculescu-Mizil

摘要： 在线讨论经常会导致参与者之间的毒性交流。最近的努力主要集中在通过单独分析单个评论来检测事后的反社会行为。为了向人类主持人提供更及时的通知，系统需要先预先检测到会话在实际变为有毒之前朝向脱轨。这意味着将脱轨建模为对话的新兴属性，而不是孤立的话语级别事件。然而，预测新兴的会话属性会带来一些固有的建模挑战。首先，由于对话是动态的，因此预测模型需要捕获讨论的流程，而不是单个评论的属性。其次，真正的对话有一个未知的视野：它们可以随时结束或脱轨;因此，随着对话的发展，实用的预测模型需要以在线方式评估风险。在这项工作中，我们引入了一个会话预测模型，该模型学习了无监督的会话动态表示，并利用它来预测会话发展时的未来脱轨。通过将此模型应用于两个新的不同的在线对话数据集以及反社会事件的标签，我们表明它在预测脱轨方面优于最先进的系统。

社会影响对收养行为的影响：在线控制实验评价

原文标题： Impact of Social Influence on Adoption Behavior: An Online Controlled Experimental Evaluation

地址： http://arxiv.org/abs/1909.01409

作者： Soumajyoti Sarkar, Ashkan Aleali, Paulo Shakarian, Mika Armenta, Danielle Sanchez, Kiran Lakkaraju

摘要： 人们普遍认为，社会网络中决策者的采用行为与其从社会网络中的同伴接收的信号数量有关。目前尚不清楚这些相同的原则是否适用于他们接收这些信号的“模式”变化以及潜在决策具有不同效用时。为了调查这一点，我们在与人类参与者进行的在线对照实验中操纵社交信号暴露。具体来说，我们会改变信号的数量以及参与者随着时间的推移接收它们的模式。我们通过受控博弈分析其影响，其中每个参与者在呈现具有不同效用的六个选项时决定选择一个选项，其中一个选项具有最大效用。我们通过保持用户的邻域网络​​不变来避免网络效应。在多轮博弈中，我们观察到以下情况：（1）即使存在货币风险和先前获得的六种选择的知识，当他们的同行做出类似的选择时，决策者倾向于偏离明显的最优决策，（ 2）当社交信号的数量随时间变化时，参与者选择类似于社交信号反映的决策并因此响应社会影响的概率不一定与信号的绝对数量成比例关联（3）早期征服更高数量的同伴社会信号，在这些轮次汇总时，被证明是一种更有效的社会影响策略。

基于相似性的链路预测的对抗鲁棒性

原文标题： Adversarial Robustness of Similarity-Based Link Prediction

地址： http://arxiv.org/abs/1909.01432

作者： Kai Zhou, Tomasz P. Michalak, Yevgeniy Vorobeychik

摘要： 链路预测是社会网络分析中的基本问题之一。用于链路预测的一组通用技术依赖于相似性度量，其使用所观察到的子网络的拓扑来量化未观察到的链路的可能性。最近，已经表明链路预测的相似性度量易受攻击，其中关于网络的观察被对抗地被修改以隐藏目标链路。我们提出了一种新方法，通过为分析人员提供一组有限的可靠查询来提高基于相似性的链路预测的鲁棒性，这些查询可以准确地测量查询链接的存在。分析师的目标是通过最佳地分配可靠的查询来稳健地预测可能的链接集合。我们将分析师问题正式化为贝叶斯Stackelberg博弈，他们首先选择可靠的查询，然后是分析师在剩余（不可靠）查询中删除链接子集的对手。我们模型中的分析师不确定对手试图隐藏的特定目标链接，而对手则拥有关于分析师和网络的完整信息。我们只使用本地信息关注相似性指标，我们表明这两个参与者的问题都是NP-Hard，并且设计了两种原则性和有效的方法来解决它。使用真实和合成网络进行的大量实验证明了我们方法的有效性。

小世界有利于网络推理

原文标题： Small-worldness favours network inference

地址： http://arxiv.org/abs/1909.01437

作者： Rodrigo A. García, Arturo C. Martí, Cecilia Cabeza, Nicolás Rubido

摘要： 分析复杂系统的主要目标是从其行为的时间序列观察中推断其底层网络结构。推理过程通常通过使用双变量相似性度量来完成，例如互相关（CC），然而，有利于或阻碍其成功的主要因素仍然令人费解。在这里，我们使用合成神经元模型来揭示主要拓扑属性，这些属性阻碍或便于从CC测量中推断出底层网络。具体而言，我们使用脉冲耦合的Izhikevich神经元连接，如秀丽隐杆线虫神经网络以及具有相似随机性和小世界的网络。我们分析了不同观察和集体动力学下推理过程的有效性和稳健性，对比了使用膜电位和峰值间隔时间序列得到的结果。我们发现整体而言，小世界有利于网络推理，程度异质性阻碍了它。特别是，秀丽隐杆线虫网络的成功率 - 将小世界属性与度异质性结合起来 - 更接近于Erd “os-R ‘enyi网络模型的成功率，而不是Watts-Strogatz网络模型中的成功率。这些结果与更好地理解不同神经网络中拓扑性质和功能之间的关系有关。

Facebook上分享的研究有多少是公开的？围绕PLOS ONE论文的公共和私人在线活动比较

原文标题： How much research shared on Facebook is hidden from public view? A comparison of public and private online activity around PLOS ONE papers

地址： http://arxiv.org/abs/1909.01476

作者： Asura Enkhbayar, Stefanie Haustein, Germana Barata, Juan Pablo Alperin

摘要： 尽管Facebook作为最大的社交媒体平台无可争议，但它从未进入altmetrics研究的主要阶段。在这项研究中，我们认为altmetrics研究人员缺乏关注并不是由于平台上缺乏相关活动，而是因为收集Facebook数据的挑战仅限于在一组公众中进行的活动。页面和组。我们提出了一种在整个平台上收集份额，反应和评论的新方法 - 包括私人时间表 - 并使用它来收集2015年至2017年期间在PLOS ONE期刊上发表的所有文章的数据。我们将收集的数据与Altmetric收集和汇总的altmetrics进行比较。结果显示，平台上共享的58.7％的论文发生在公众视野之外，并且在收集所有股票时，活动量近似于之前仅针对Twitter观察到的参与模式。这两项结果都表明，Facebook作为科学和学术交流媒介的作用和影响被低估了。此外，他们强调围绕altmetrics收集和汇总的开放性和透明度的重要性。

利用图卷积通过对抗域自适应进行网络迁移学习

原文标题： Network Transfer Learning via Adversarial Domain Adaptation with Graph Convolution

地址： http://arxiv.org/abs/1909.01541

作者： Quanyu Dai, Xiao Shen, Xiao-Ming Wu, Dan Wang

摘要： 本文研究了跨网络节点分类的问题，以克服单个网络中标记数据的不足。它旨在利用部分标记的源网络中的标签信息来协助完全未标记或部分标记的目标网络中的节点分类。由于跨网络的域移位，用于单网络学习的现有方法不能解决该问题。一些多网络学习方法严重依赖于跨网络连接的存在，因此不适用于该问题。为了解决这个问题，我们通过利用对抗域自适应和图卷积技术，提出了一种新颖的网络传输学习框架AdaGCN。它由两部分组成：半监督学习组件和对抗域适应组件。前者旨在利用源网络和目标网络的给定标签信息来学习类判别节点表示，而后者有助于减轻源域和目标域之间的分布差异以促进知识转移。对现实世界数据集的广泛实证评估表明，AdaGCN可以在源网络上以低标签率成功传输类信息，并且源域和目标域之间存在显著差异。代码将在接受后发布。

改划选区：行贿者的观点

原文标题： Gerrymandering: A Briber’s Perspective

地址： http://arxiv.org/abs/1909.01583

作者： Palash Dey

摘要： 我们在改划选区和反向改划选区的背景下开始研究贿赂问题。在我们最普遍的问题中，投入是一组选民对一系列选择投票，选民图表，连接区选民分区，每个选民改变地区的费用，行贿者的预算，并且是行贿者的最爱替代品。行贿者需要计算是否可以修改给定的分区，以便（i）受贿者的最喜欢的替代方案赢得最终的选举，（ii）修改是预算可行的，以及（iii）每个新区域是连接的。我们研究了上述问题的四种自然变体 - 选民的图表是任意的与完整图表（对应于删除地区的连通性要求）以及贿赂每个选民统一与非统一的成本。我们表明即使在相当严格的情况下，所有这四个问题都是NP完全的。因此，我们的结果表明，在这种新的选举攻击下，以地区为基础的选举是非常有抵抗力的。在其他一些情况下，我们用多项式时间算法补充我们的硬度结果。

社会网络作为高等教育机构形象塑造的工具

原文标题： Social Networks as a Tool for a Higher Education Institution Image Creation

地址： http://arxiv.org/abs/1909.01678

作者： Olha Anisimova, Valeriia Vasylenko, Solomia Fedushko

摘要： 本文介绍了用户增加的社会网络的动态，取决于2010年至2018年的世界总人口。它还确定了乌克兰最受欢迎的社会网络。确定使用社会网络相对于互联网资源用户总数的系统风险指标。提出了高等教育机构形象创造过程中的社会交往类型。强调了在形成教育机构的正面形象中使用社会网络的特殊性。提供了2019年1月，2月和3月Vasyl Stus Donetsk国立大学数学和信息技术学院官方小组用户行动的统计指标，以及根据出版物主题的用户平均吸引系数。研究了高等教育机构负面形象创作过程中的天体冲浪的主要技术。

同一共享的不同吸收：为假新闻检测筛选多任务学习

原文标题： Different Absorption from the Same Sharing: Sifted Multi-task Learning for Fake News Detection

地址： http://arxiv.org/abs/1909.01720

作者： Lianwei Wu, Yuan Rao, Haolin Jin, Ambreen Nazir, Ling Sun

摘要： 最近，基于多任务学习的神经网络在假新闻检测方面取得了很好的表现，其重点是学习任务之间的共享特征作为服务于不同任务的补充特征。然而，在大多数现有方法中，共享特征被完全分配给不同的任务而没有选择，这可能导致一些无用且甚至不利的特征被集成到特定任务中。在本文中，我们设计了一种筛选的多任务学习方法，该方法具有用于假新闻检测的所选共享层。所选共享层采用门机制和注意机制来过滤和选择任务之间的共享特征流。两个公开和广泛使用的竞赛数据集（即RumourEval和PHEME）的实验表明，我们提出的方法达到了最先进的性能，并使F1得分分别提高了0.87％以上，增加了1.31％。

流动状态：不平等的联盟可以产生权力真空

原文标题： Status in flux: Unequal alliances can create power vacuums

地址： http://arxiv.org/abs/1909.01826

作者： John Bryden, Eric Silverman, Simon T. Powers

摘要： 人类群体表现出各种领导结构，从无领导者到变革型领导者，再到单一的长期领导者。当领导者被废除时，权力真空的存在可能意味着他们经常被迅速取代。我们没有解释这些现象如何从个人之间的简单交互规则中产生。在这里，我们模拟了领导结构不同阶段之间的转换。我们发现了一种新颖的群体动态行为，其中有一个领导者在失去身份时迅速被替换，表现出权力真空。该模型使用一个动态的个人网络，他们非强制性地形成和打破彼此的联盟，在这些联盟中建立不平等的关键参数。我们运用我们的模型来解释新石器时代的领导结构的转变，在这个时代，由于技术发展，如食物储存和/或武器，越来越不平等的联盟。我们的方法提供了对技术和社会规范如何影响领导力动态和结构的定量理解。

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。