• 发现差分特征：用于信息可信度评价的对抗性学习;
• 用于复杂网络近最优链路预测的堆叠模型;
• ASSED：一种通过自适应社会感知数据过滤识别物理活动的框架;
• 技术对政治运动的影响;
• 腐败结构的社会网络分析：邻接矩阵支持的分层可视化和量化;
• 表征和预测重复食品消费行为用于即时干预;
• 创意事业的成功与运气;

发现差分特征：用于信息可信度评价的对抗性学习

原文标题： Discovering Differential Features: Adversarial Learning for Information Credibility Evaluation

地址： http://arxiv.org/abs/1909.07523

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

摘要： 一系列的深度学习的方法提取了大量信誉功能，以检测在互联网上假新闻。然而，这些提取的特征仍然遭受从严重限制了方法的性能许多不相关和噪音特征。在本文中，我们提出了基于对抗性网络和由所述共享私人的模型（ANSP），其目的是从信息可信度评估所提取的特征减少常见的，不相关的特征inspirited一种新颖的模型。具体来说，ANSP涉及两个任务：一个是防止真假信息的二元分类捕捉共同的特点依靠通过强化学习指导对抗性的网络。另一个提取信誉特征从多种类型的信用信息（以下，私人特征），并通过两个策略与公共特征进行比较，即，正交性约束和KL散度用于使私人特征更差。实验第一上两个六标签LIAR和微博数据集证明ANSP实现状态的最先进的性能，2.1％，3.1％，分别然后在四个标签Twitter16验证模型用的鲁棒性提高的准确度1.8％的性能提升。

用于复杂网络近最优链路预测的堆叠模型

原文标题： Stacking Models for Nearly Optimal Link Prediction in Complex Networks

地址： http://arxiv.org/abs/1909.07578

作者： Amir Ghasemian, Homa Hosseinmardi, Aram Galstyan, Edoardo M. Airoldi, Aaron Clauset

摘要： 大多数真实世界的网络都完全遵守。能够准确地预测哪些算法环节缺失可以大大加速比网络数据的收集和提高网络模型的有效性。许多算法现在存在预测缺失环节，给予了部分观测网络，但单一的最好的预测是否存在，链路预测跨越不同领域的方法和网络如何改变它仍不明，目前的方法是如何接近最优的。我们通过系统地评估203种各个路段的预测算法，代表的三种方法流行的家庭回答这些问题，适用于大型语料库548个从六个科学领域结构不同的网络。我们首先表明，个别算法表现预测误差的广泛多样性，使得没有一个预测或家庭是最好的，或最坏，在所有现实的输入。然后，我们利用通过元学习，构建了一系列的预测相结合成一个单一的算法“堆叠”模式这种多样性。适用于范围广泛的合成网络，为此我们可以分析计算出最佳的性能，这些堆叠模式实现精度最优或接近最佳水平。适用于现实世界的网络，堆叠模式也优越，但其准确性由域强烈变化，这表明链路预测可以在社会网络中比在生物或技术网络从根本上更容易。这些结果表明，所述状态的最先进的用于链路预测来自个体的算法，其实现接近最优的预测组合。我们关闭与限制和机会对这些结果的进一步改善了简短的讨论。

ASSED：一种通过自适应社会感知数据过滤识别物理活动的框架

原文标题： ASSED – A Framework for Identifying Physical Events through Adaptive Social Sensor Data Filtering

地址： http://arxiv.org/abs/1909.07596

作者： Abhijit Suprem, Calton Pu

摘要： 物理事件检测长期以来对数字传感器数据进行操作静态事件处理器的结构域。这非常适用于大型强信号事件，如飓风和事件的重要的类如地震。然而，对于多种结构域的存在传感器覆盖不足，例如，滑坡，森林火灾，和溢流。社会网络已经提供数十亿用户的海量数据量，但是从这些普通的社交传感器的数据包含比物理传感器更加噪音。一个社会的传感器提出的最困难的挑战是 textit概念漂移，其中有一个现象有关条款发展和变化随着时间的推移，使静态的机器学习（ML）分类效果较差。为了解决这个问题，我们开发了一个基于ML-事件处理引擎的称职（自适应社会感测事件检测）框架，并展示如何将其与低导strong- textit 和弱信号进行简单的和复杂的物理事件检测-latency，高可扩展性，以及准确的报道。具体而言，称职是支持连续滤波器生成和更新使用流数据的机器学习从高置信源（物理和注释的传感器）和社会网络的架构。我们建立称职的，以支持高可信度源集成到社会感测事件检测，以产生高品质的过滤器，并通过跟踪自己的表现进行动态过滤器选择程序。我们证明通过检测相比，静态方法更几乎350 ％的滑坡山体滑坡检测中的应用称职的能力。更重要的是，称职的自动化概念漂移的处理：初始数据收集和分类培训后四年，称职达到0.988事件检测精度（没有专家的人工干预），相比0.762静态方法。

技术对政治运动的影响

原文标题： The Impact of Technologies in Political Campaigns

地址： http://arxiv.org/abs/1909.07644

作者： Moritz Hoferer, Lucas Böttcher, Hans J. Herrmann, Hans Gersbach

摘要： 最近的政治运动已经证明了技术如何使用微目标选民，以提高选举结果。我们提出和分析框架，分析了政治活动家如何使用的技术为目标选民。选民被表示为网络的节点。政治活动家伸手本地选民，并试图说服他们。根据自己的技术优势和预算，政治活动家瞄准网络在某些地区，他们的活动能够产生最大的投票份额。解析和数值，我们量化投票份额增加和储蓄的预算和积极分子的数量方面，从相对于传统的活动采用卓越的定位技术。此外，我们证明了技术的精度必须以导致表决股收益或预算优势超过一定的阈值。最后，通过校准技术参数，近期美国总统选举中，我们证明了一个纯粹的有向技术的优势与特朗普赢得这场克林顿一致。

腐败结构的社会网络分析：邻接矩阵支持的分层可视化和量化

原文标题： Social Network Analysis of Corruption Structures: Adjacency Matrices Supporting the Visualization and Quantification of Layeredness

地址： http://arxiv.org/abs/1909.07648

作者： Carel F.W. Peeters

摘要： 通常情况下，腐败被描述为正在发生内或支持网络：以这样的方式使行贿青睐的交易结构的个体的集合。出人意料的是，尽管以网络命名，腐败很少使用网络科学的工具从网络角度进行分析。在这里，我们会说，从网络科学的角度分析腐败是其了解是有益的。在经过这一章中，在狮子座Huberts荣誉的利贝Amicorum贡献，然后给出了一个非常简短的介绍到社会网络分析。

表征和预测重复食品消费行为用于即时干预

原文标题： Characterizing and Predicting Repeat Food Consumption Behavior for Just-in-Time Interventions

地址： http://arxiv.org/abs/1909.07683

作者： Yue Liu, Helena Lee, Palakorn Achananuparp, Ee-Peng Lim, Tzu-Ling Cheng, Shou-De Lin

摘要： 人类是习惯的动物。在他们的日常生活中，人们往往会反复在几天内消耗相似类型的食物，偶尔切换到消费不同类型的项目，当消费变得过于单调。然而，小说和重复消费行为还没有研究在食品建议研究。更重要的是，预测个人的日常饮食习惯的能力，关键是要提高在促进健康的生活方式的改变食物推荐系统的有效性。在这项研究中，我们分析了重复食品消费的利用所谓MyFitnessPal（MFP）网上流行的适应度机构大规模消费数据的模式，在预测第二天进行的各种先进设备，最先进的算法进行离线评估食品消费，并分析在不同的人口群体和环境绩效。实验结果表明，算法结合勘探和开采和时空动态是比大多数国家的最先进的算法的第二天推荐任务更有效。

创意事业的成功与运气

原文标题： Success and luck in creative careers

地址： http://arxiv.org/abs/1909.07956

作者： Milan Janosov, Federico Battiston, Roberta Sinatra

摘要： 运气被认为是实现所有创意领域的影响至关重要的成分，尽管他们的多样性。例如，在科学，电影产业，音乐和艺术，影响最大的作品和创作生涯中炙手可热的发生是很难预测的。是否有更容易的运气比别人域？在这里，我们有两种方式提供随机性在创作生涯的影响作用的新见解：（一）我们系统地排解红运来产生在电影，音乐影响个人能力，和图书行业，并在科学，比较这些领域之间的运气因素; （二）我们显示合作网络的有限的预测能力来预测的职业生涯命中。总之，我们的分析表明，运气始终影响到所有部门考虑职业生涯的影响，并查明在成功的预测的关键要素提高我们的认识。

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。