• 基于网络的中国湖北省2019-nCoV疫情爆发预测;
• 建立一个分布式和无基础设施的车辆交通管理系统;
• LoCEC：基于局部社区的大型在线社会网络边分类;
• 众包工作者和NLP工具在政治性推文命名实体识别和情感分析上的表现比较;
• 图像分析增强的有地理标记的推文流事件检测;
• HGAT：层次图注意力网络用于假新闻的检测;
• 通过被动WiFi探测和数据挖掘了解社交活动中的人群行为;
• 使用深度卷积神经网络的交通数据插值;
• 层次传递性对齐的图核用于无属性图;
• 一种用于加权网络的边重叠的新推广;
• 基于用户和属性的数据加密;
• 网络上编码数据包的概率转发;
• 通过正则张量分解发现混合多层网络社区;
• 复杂网络的势能：一种新颖的视角;

基于网络的中国湖北省2019-nCoV疫情爆发预测

原文标题： Network-Based Prediction of the 2019-nCoV Epidemic Outbreak in the Chinese Province Hubei

地址： http://arxiv.org/abs/2002.04482

作者： Bastian Prasse, Massimo A. Achterberg, Long Ma, Piet Van Mieghem

摘要： 本文撰写时（2020年2月11日），2019-nCoV病毒的未来演变尚不明晰。疫情下一步发展的预测决定了如何部署有针对性的疾病控制措施。我们考虑了基于网络的模型来描述湖北省2019-nCoV疫情。该网络包括湖北城市及其之间的相互作用（如交通流）。然而，城市之间的精确互动是未知的，必须通过观察疫情推断。我们提出了一个基于网络的方法来预测2019-nCoV病毒未来在每一个城市的感染率。研究结果表明，基于网络的建模准确预测疫情是有益的。

建立一个分布式和无基础设施的车辆交通管理系统

原文标题： Towards a distributed and infrastructure-less vehicular traffic management system

地址： http://arxiv.org/abs/2002.04096

作者： Ademar T. Akabane, Roger Immich, Luiz F. Bittencourt, Edmundo R.M.Madeira, Leandro A.Villas

摘要： 在过去的几年中，几个系统已经被提出来处理有关车辆交通管理问题。通常情况下，他们的解决方案包括计算技术，如车载网络中，中央服务器和路边单元的整合。大多数系统使用一种混合的方法，这意味着他们仍然需要一个中央实体（中央服务器或路边单元）与互联网连接，以获得航路事件以及车辆的替代路线。这是很容易理解的中央实体的需要，因为选择最适合的车辆进行上述程序是一项艰巨的任务。除此之外，据我们所知，有适用的利他方法（不自私行为）路由决策很少有系统。正因为如此，这个问题在这项工作中解决的问题是如何执行的车辆交通管理，当检测到途中的事件，在一个分布式，可扩展，具有成本效益的方式。为了解决这些问题，我们提出了一个分布式的车辆交通管理系统，命名为迪希（分布式车辆交通管理系统）。的迪希系统的设计和上一个三层结构，即环境检测和车辆的排名，知识生成和分配，以及知识的消耗来实现。在迪希架构的每一层都负责处理那些没有在相关的工程解决或改进的主要问题。仿真结果已经表明，与文献其他系统相比，我们所提出的系统具有更低的网络开销由于施加车辆选择和广播抑制机制。平均而言，迪希也优于所有其他竞争对手在哪些方面对出行时间和时间损失指标。通过结果的分析，可以得出结论，我们的基础设施较少的系统可扩展性和成本效益。

LoCEC：基于局部社区的大型在线社会网络边分类

原文标题： LoCEC: Local Community-based Edge Classification in Large Online Social Networks

地址： http://arxiv.org/abs/2002.04180

作者： Chonggang Song, Qian Lin, Guohui Ling, Zongyi Zhang, Hongzhao Chen, Jun Liao, Chuan Chen

摘要： 在在线社会网络关系往往意味着在现实世界中的社会关系。关系类型的准确理解有利于许多应用，例如社交广告和推荐。最近的一些尝试已经被提出来分类用户关系到预定义的类型与关系事先标记的关系或丰富的交互功能的帮助。不幸的是，这两种关系的特征数据和标签数据是非常稀疏的像微信实时社交平台，使现有的方法不适用。在本文中，我们提出了微信的关系，以确定关系类别任务的主要挑战进行了深入的分析。为了应对挑战，我们提出了一个基于社区的局部边分类（LoCEC）框架，在社会网络用户进行分类的关系发展成现实世界的社会关系类型。 LoCEC强制三阶段处理，即当地社区发现，社区分类和分级的关系，解决关系的功能和关系标签稀疏性问题。此外，LoCEC被设计通过允许并行和分布式处理来处理大型网络。我们在现实世界中的微信网络上进行了广泛的实验与数千亿的边，以验证LoCEC的有效性和效率。

众包工作者和NLP工具在政治性推文命名实体识别和情感分析上的表现比较

原文标题： Performance Comparison of Crowdworkers and NLP Tools onNamed-Entity Recognition and Sentiment Analysis of Political Tweets

地址： http://arxiv.org/abs/2002.04181

作者： Mona Jalal, Kate K. Mays, Lei Guo, Margrit Betke

摘要： 我们报告crowdworkers在解决两个重要的NLP任务，命名实体识别（NER）和公司层面的情绪（ELS）分析的准确性和七个自然语言处理（NLP）工具包的比较结果。在这里，我们专注于一个具有挑战性的数据集，1000在2016年二月，美国总统初选每个鸣叫是指四个总统候选人至少一个，即，四个命名实体期间收集政治鸣叫。真实状况，由专家在政治传播成立以来，一直在鸣叫提到的每个候选实体层面的情绪信息。我们测试了几个商业和开源工具。我们的实验表明，对于我们的政治鸣叫，最准确的命名实体识别系统，谷歌云NL，几乎堪与crowdworkers执行的数据集，但最准确的ELS分析系统，TensiStrength，并没有大幅度匹配crowdworkers的准确性超过30个百分点。

图像分析增强的有地理标记的推文流事件检测

原文标题： Image Analysis Enhanced Event Detection from Geo-tagged Tweet Streams

地址： http://arxiv.org/abs/2002.04208

作者： Yi Han, Shanika Karunasekera, Christopher Leckie

摘要： 从社会媒体检测的事件流通常包括意外事故，犯罪或灾害的早期迹象。因此，他们可以通过关联方及时，高效的响应中使用。虽然显著已经取得进展的事件检测从鸣叫流，大多数现有的方法没有考虑在微博张贴的图像，提供比文字更丰富的信息，并有可能可以是一个事件是否发生一个可靠的指标。在本文中，我们设计了一个事件检测算法，结合文本的，统计数据和图像信息，下面的无监督的机器学习方法。具体地，语义和统计分析算法开始获得鸣叫群集，其中每一个对应于一个事件候选，然后进行图像分析，以从非活动独立的事件的列表—卷积自动编码器被训练为每个群集作为异常检测器，其中作为训练数据，其余图像被用作测试实例中使用的图像的一部分。我们对多个数据集实验验证，当一个事件发生时，训练和测试图像的平均重建误差更接近，与其中的候选者非事件簇的情况相比。基于这一发现，如果所述差大于阈值的算法拒绝的候选者。在数以百万计的tweets的实验结果表明，该图像分析增强方法可以显著增加对召回的影响降到最低的精度。

HGAT：层次图注意力网络用于假新闻的检测

原文标题： HGAT: Hierarchical Graph Attention Network for Fake News Detection

地址： http://arxiv.org/abs/2002.04397

作者： Yuxiang Ren, Jiawei Zhang

摘要： 假新闻的爆炸性增长已经侵蚀媒体和政府的公信力。假新闻的检测已成为一项紧迫的任务。与像新闻创作者和新闻主体等相关组件一起的新闻文章可以模拟成一个异构信息网络（HIN的简称）。在本文中，我们重点研究基于HIN-假新闻的检测问题。我们提出了一个新的假新闻的检测框架，即层次图关注网络（HGAT），它采用了新的分级注意机制由HIN新闻文章分类节点检测到假新闻。这种方法可以有效地学习，通过节点级和模式的高度重视，从不同类型的相关节点的信息。与现实世界的假新闻数据实验表明，我们的模型可以超越基于文本的模型和其他基于网络的模型。此外，实验还证明HGAT的在未来的异构图表示学习可扩展性和潜力。

通过被动WiFi探测和数据挖掘了解社交活动中的人群行为

原文标题： Understanding Crowd Behaviors in a Social Event by Passive WiFi Sensing and Data Mining

地址： http://arxiv.org/abs/2002.04401

作者： Yuren Zhou, Billy Pik Lik Lau, Zann Koh, Chau Yuen, Benny Kai Kiat Ng

摘要： 在一个大的社会事件认识的人群的行为是事件管理是至关重要的。无源无线传感，通过收集来自移动设备发送的WiFi探测请求，提供了一个更好的办法来监测与人计数器和摄像机在无干扰，更大的覆盖范围，更低的成本，以及人民运动的更多信息相比而言人群。在现有的研究，但是，没有引起足够的重视已经支付给了深入的分析和收集的数据挖掘。特别是，机器学习的动力还没有被充分利用。在本文中，因此，我们提出了一个全面的数据分析框架，充分分析所收集的探测请求提取三种类型的大型社会活动相关人群的行为模式，与统计，可视化的帮助下，和无监督的机器学习。首先，移动设备的轨迹从探测请求提取和分析以显示人群移动的空间模式。分层合并聚类采用找出不同位置之间的互连。接着，k-均值和k-形状聚类算法应用于由天和位置，分别提取的人群颞来访模体。最后，通过与时间相结合，轨迹转化为时空模式，这揭示了持续时间长，以及如何随着时间的推移人流变化的总体趋势是如何变化的轨迹。所提出的数据分析框架是用在一个大的社会事件收集真实世界的数据充分展现。结果表明，人们可以从通过被动的WiFi传感器网络收集的数据中提取全面模体。

使用深度卷积神经网络的交通数据插值

原文标题： Traffic Data Imputation using Deep Convolutional Neural Networks

地址： http://arxiv.org/abs/2002.04406

作者： Ouafa Benkraouda, Bilal Thonnam Thodi, Hwasoo Yeo, Monica Menendez, Saif Eddin Jabari

摘要： 我们建议使用稀疏的车辆轨迹信息进行了统计学习为主的交通速度估计方法。使用卷积编码器，解码器基础的架构，我们表明，一个训练有素的神经网络可以借鉴时空图时空行车速度动态。我们证明这一点，使用模拟的车辆轨迹均匀的路段，然后使用从NGSIM真实世界的数据进行验证。我们的结果表明，与探测车辆渗透水平低至5 ％，所提出的估计方法可以提供宏观交通速度的声重建和再现逼真冲击波模式，在各种交通条件暗示适用性。我们进一步讨论该模型的重建机制，并确认其区分各种交通行为，如拥挤和自由流动的交通状态，转变动力学和冲击波的传播能力。

层次传递性对齐的图核用于无属性图

原文标题： A Hierarchical Transitive-Aligned Graph Kernel for Un-attributed Graphs

地址： http://arxiv.org/abs/2002.04425

作者： Lu Bai, Lixin Cui, Edwin R. Hancock

摘要： 在本文中，我们开发了一个新的图内核，即分层传递不结盟内核，通过一个家庭层次的原型图的传递性排列图之间的顶点。相较于现有的大多数国家的最先进的图内核，该内核的建议有三个理论优势。首先，它结合了图之间的位置对应信息到内核的计算，并因此克服了忽略最R-卷积核所产生的结构对应的缺点。其次，它保证不适用于大多数现有匹配内核的对应信息之间的传递。第三，它包含了所有的图表对比下的信息到内核的计算过程，从而封装更丰富的特性。通过transductively训练C-SVM分类，实验评估演示新的传递对准内核的有效性。所提出的内核可以超越标准基于图的数据集的状态的最先进的图的内核在分类精度方面。

一种用于加权网络的边重叠的新推广

原文标题： A new generalization of edge overlap to weighted networks

地址： http://arxiv.org/abs/2002.04426

作者： Ali Choumane

摘要： 查找网络中的边的实力一直是一个很大的需求。在社会网络的环境中，它允许估计用户之间的关系强度。最公知的方法来计算边强度是邻居重叠。它计算共同邻居到边终端节点的所有邻居的比率。此方法已初步提出了未加权的网络和后面延长加权的那些。该方法的这两个版本不数学上等效：事实上，未加权的网络通常被认为是与所有的边权重加权等于一。利用邻居重叠的对等网络产品完全不同的价值观都存在的版本。在本文中，我们解决这个问题，并提出了邻居重叠的新的概括，对未加权和加权网络同样适用。对各种参数进行网络实验证明我们的措施，以现有的措施相似的性能。

基于用户和属性的数据加密

原文标题： Data User-Based Attribute-Based Encryption

地址： http://arxiv.org/abs/2002.04427

作者： Ehsan Meamari, Hao Guo, Chien-Chung Shen, Rui Zhang

摘要： 基于属性的加密（ABE）已经成为以信息为中心的公共密钥加密系统，它允许数据所有者共享数据，根据访问策略，基于多个数据用户的属性，他们拥有，不知道他们的身份。在原来的计划ABE，中央权力机构下辖的系统和问题的密钥，以根据其属性而且拥有者和用户数据的用户需要信任特定的CA.然而，在某些实际应用中，数据用户不信任任何人，而是自己。对于这种情况，我们引入ABE的一个新的非集中化模型，基于用户的数据被称为ABE（DU-ABE），这是由数据使用者共同管理。 DU-ABE是第一个下放的ABE方案替换与数据用户当局不采用任何其他多余的实体。

网络上编码数据包的概率转发

原文标题： Probabilistic Forwarding of Coded Packets on Networks

地址： http://arxiv.org/abs/2002.04438

作者： B. R. Vinay Kumar, Navin Kashyap

摘要： 我们考虑过通过无声的通信链路连接节点的网络广播信息的情形。网络中的源节点有一些数据包到广播。据这些数据包编码为 n 的以这样的方式编码的包是接收任何ķ的 n 的编码数据包的出就能获取所有的原始数据包在网络中的任何节点。源传输 n 的编码数据包的单跳邻居。网络中的所有其他节点如下概率转发协议，在它之前未接收到的报文转发给所有的邻居以一定的概率 P 。我们说，从源的信息进行了``近广播’，如果接收至少ķ的 n 的编码数据包的节点的预期分数接近 1 。转发概率 P 被选择以便最小化所需的近广播传输的预期总数。我们研究如何，对于一个给定ķ，这个最小转发概率和数据包传输的相关预期总数 n 的变化。我们特别分析两种网络拓扑编码数据包的转发概率：二叉树和方格。对于树，我们的分析表明，固定ķ，与 n 的传输增加的预期总数。在另一方面，在网格，为明智选择N 显著减少所需的近广播传输的预期总数。类似于网格的行为也在其它公连接的网络拓扑结构观察到诸如随机几何图和随机正则图

通过正则张量分解发现混合多层网络社区

原文标题： Community Detection on Mixture Multi-layer Networks via Regularized Tensor Decomposition

地址： http://arxiv.org/abs/2002.04457

作者： Bing-Yi Jing, Ting Li, Zhongyuan Lyu, Dong Xia

摘要： 我们研究了多层网络社区发现，其中的节点对可以在多种模式有关的问题。我们引入了一个总体框架，即，混合物多层随机块模型（MMSBM），其中包括许多早期型号作为特殊情况。我们提出了一个基于张量的算法（扭转）透露节点包括全球/本地成员和层的成员。我们表明，TWIST过程可以精确地检测具有小误分社区作为节点的数量和/或层的数量增加。数值研究证实了我们的理论成果。据我们所知，这是利用张量分解混合多层网络的第一个系统研究。该方法适用于两张真实数据：全球贸易网络和疟疾寄生虫的基因网络，从而产生新的和有趣的发现。

复杂网络的势能：一种新颖的视角

原文标题： Potential energy of complex networks: a novel perspective

地址： http://arxiv.org/abs/2002.04551

作者： Nicola Amoroso, Loredana Bellantuono, Saverio Pascazio, Angela Lombardi, Alfonso Monaco, Sabina Tangaro, Roberto Bellotti

摘要： 我们提出复杂网络的一个新的特征，基于相关联的薛定谔的电位“odinger方程。电位被设计成使得所述薛定谔的能量谱”与归一化的拉普拉斯算子的图谱odinger方程一致。关键信息被保留在重构的潜力，它提供了网络结构的性质的紧凑表示。作为临界连接概率从上方接近在几个随机网络的实现中值电位通过朗道状的功能，和它的长度尺度是发现发散拟合。中间电势分布的坚固性是使用樋口分形维数，其中显示了在临界连接概率的最大量化。这表明，该技术可以在随机网络的研究可以成功地使用，作为渗滤相变的替代指标。我们应用所提出的方法来描述基础架构真实世界的网络调查（美国电网）。奇怪的是，尽管不发生相转变的概念可以给出这种网络中，关键性的中间电位显示签名的分形。我们还表明，标准的技术（如最大连接组件的尺度功能），没有检测到任何签字或残留关键性的。

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。