• 缓解疫情代价的最佳政策;
• 将大流行作为时间依赖的SIR模型的重整化群方法;
• 回测COVID-19的可预测性;
• 在线分析感染率可变的流行病;
• 基于SEAIR模型推断COVID-19的潜伏期分布;
• COVID-19信息流行病期间意大利Facebook上的信息异常;
• 奥卡姆剃刀用于COVID-19模型拟合法国数据;
• 大图学习的无耦合训练架构;
• 使用特征间和特征内注意力网络的可解释谣言检测;
• 复杂网络中的级联故障;
• 稀疏图的快速图元变换;
• 异构网络中用于链路预测的上下文嵌入的自监督学习;
• 大规模异构网络表示学习的多语义元路径模型;

缓解疫情代价的最佳政策

原文标题： Optimal policies for mitigating pandemic costs

地址： http://arxiv.org/abs/2007.11178

作者： M. Serra, S. al-Mosleh, S. Ganga Prasath, V. Raju, S. Mantena, J. Chandra, S. Iams, L. Mahadevan

摘要： 已经提出了几种非药物干预措施来控制COVID-19大流行的传播。大规模地，这些经验性解决方案通常与长期和彻底的封锁有关，试图使与死亡率，经济损失和社会因素有关的成本最小化，同时受到诸如有限医院容纳人数等约束。在这里，我们提出了一个问题，即如何通过采用最优控制理论的语言来减轻受到约束的大流行病成本。在给定年龄结构的疾病动态模型的情况下，这使我们能够确定自上而下的社会接触率政策。根据分配给生命和社会经济损失的相对权重，我们看到最佳策略的范围从仅针对最弱势群体的长期社会隔离，部分锁定以确保医院不超支，到轮流轮班以大幅减少生活和/或社会经济损失。至关重要的是，涉及长期广泛封锁的常用策略几乎从来都不是最优的，因为它们对于重新开放非常不稳定，并带来很高的社会经济成本。使用来自德国和美国的可用数据的参数估计值，我们对这些政策进行了量化，并在相关的模型参数和初始条件中使用了敏感性分析，以确定我们政策的稳健性范围。最后，我们还讨论了自下而上的行为变化如何也可以改变大流行的动态，并展示了这种行为与自上而下的控制策略如何可以更有效地减轻大流行的成本。

将大流行作为时间依赖的SIR模型的重整化群方法

原文标题： Renormalisation Group approach to pandemics as a time-dependent SIR model

地址： http://arxiv.org/abs/2007.11296

作者： Michele Della Morte, Francesco Sannino

摘要： 我们将流行病重归化组框架进行了概括，同时将其连接到具有随时间变化的系数的SIR模型。然后，我们在丹麦，德国，意大利和法国与COVID-19面对该模型，并证明该方法在复制数据方面效果很好。我们还表明，要更好地了解恢复率的时间依赖性，就需要扩展模型，以考虑到死亡人数超过受感染病例总数的15％。

回测COVID-19的可预测性

原文标题： Backtesting the predictability of COVID-19

地址： http://arxiv.org/abs/2007.11411

作者： Dmitry Gordeev, Philipp Singer, Marios Michailidis, Mathias Müller, SriSatish Ambati

摘要： COVID-19大流行的到来在全球许多国家引发了前所未有的变化，给卫生部门带来了沉重负担，影响了宏观经济状况，并改变了人口之间的社会互动。作为回应，学术界已经产生了多种预测模型，方法和算法，以最佳地预测COVID-19的不同指标，例如确诊感染病例的数量。然而，研究人员几乎无法掌握有关大流行病的历史信息，以告知他们的预测方法。我们的工作研究了流感大流行各个阶段模型的预测性能，以更好地了解模型的基本不确定性以及数据可用性对此类预测的影响。我们使用2020年1月22日至2020年6月22日期间253个地区的COVID-19感染的历史数据，通过滚动窗口回测框架来预测未来7天和28天的累计感染病例数。我们实现了三个简单的模型来跟踪这6个月跨度中的均方根对数误差，始终预测累积确诊病例的最后已知值的基线模型，功率增长模型和称为SEIRD的流行病学模型。由于数据有限，在大流行早期阶段的预测误差要高得多。在整个大流行过程中，错误缓慢但稳定地消退。一个国家在任何时间点展示的确诊病例越多，预测未来确诊病例的误差就越小。我们强调拥有严格的回测框架以在暴发期间的任何时间点准确评估此类模型的预测能力的重要性，这反过来又可以用来为这些预测分配正确的确定性水平并促进更好的计划。

在线分析感染率可变的流行病

原文标题： Online analysis of epidemics with variable infection rate

地址： http://arxiv.org/abs/2007.11429

作者： Yurii Nesterov

摘要： 在本文中，我们继续开发新的流行病学模型HIT，该模型适用于分析和预测COVID-19流行病的传播。这是一个离散时间模型，允许使用有关新病例数的每日每日统计数据来重建无症状病毒持有者的动态。我们建议使用一种新的指标，即总感染率，以区分该流行病的传播和衰退模式。我们会检查11个不同国家和全球可用数据的指标。我们的重建非常精确。在某些情况下，我们能够检测出灾难性政治决定的确切日期，从而确保第二次流行。看来，对于我们所有的示例，根据当前新案件数做出的决定都是错误的。在本文中，我们提出了一个合理的选择。我们的分析表明，除瑞典外，所有接受测试的国家都处于危险区域。

基于SEAIR模型推断COVID-19的潜伏期分布

原文标题： Inferring incubation period distribution of COVID-19 based on SEAIR Model

地址： http://arxiv.org/abs/2007.11183

作者： Shiyang Lai, Tianqi Zhao, Ningyuan Fan

摘要： 为了减少传统的基于调查的方法的偏倚，本文提出了一种基于流行病模型的方法，利用公开报告的确诊病例数来推断COVID-19的潜伏期分布。我们构建了一个流行病模型，即SEAIR，并利用SEAIR描绘的动态传播过程来估计八个受影响国家/地区中暴露个体每天的发病概率。基于这些估计，已经揭示了COVID-19的一般孵化概率分布。所提出的方法可以避免传统的基于调查的方法的一些偏差。但是，由于此方法基于数​​学模型的性质，推断结果对参数的设置有些敏感。因此，应该在对所研究的流行病有一定了解的基础上合理地实践这种方法。

COVID-19信息流行病期间意大利Facebook上的信息异常

原文标题： Information disorders on Italian Facebook during COVID-19 infodemic

地址： http://arxiv.org/abs/2007.11302

作者： Alessandro Celestini, Marco Di Giovanni, Stefano Guarino, Francesco Pierri

摘要： 在这项工作中，我们对最近的COVID-19大流行期间意大利Facebook上的在线对话进行了探索性分析。我们分析了与病毒起源有关的争议性话题的传播，这些话题涉及错误信息的流行目标，例如移民和5G技术。自2020年1月以来，我们收集了超过150万条与COVID-19相关的意大利语帖子，在2020年1月以来的四个月中，由将近80k的公共页面和团体共享。到传统新闻网站，而且有关有争议主题的讨论对这种大流行的参与度有限。此外，我们在URL共享传播网络中突出显示了“小世界”效应，这表明浏览有限页面集的用户几乎可以到达与大流行有关的共享内容的全部范围，因此很容易受到有害宣传的影响。以及有关病毒的已验证信息。

奥卡姆剃刀用于COVID-19模型拟合法国数据

原文标题： The Ockham’s razor applied to COVID-19 model fitting French data

地址： http://arxiv.org/abs/2007.11379

作者： Mirko Fiacchini, Mazen Alamir

摘要： 本文提出了一个基于数据的简单模型，用于拟合法国Covid-19大流行演变的可用数据。已经考虑了法国大陆13个地区的时间序列以拟合和验证该模型。一个非常简单的二维模型，仅包含两个参数，从而能够再现与Covid-19导致的每日死亡人数，住院，重症监护和急诊通道，每日阳性检验次数等有关的时间序列。指标，适用于法国不同地区。这些结果可能有助于引发人们对更复杂的模型是否适合重现和预测大流行趋势的争论，因为尽管从机械观点来看，它们可能导致无法识别的问题。

大图学习的无耦合训练架构

原文标题： An Uncoupled Training Architecture for Large Graph Learning

地址： http://arxiv.org/abs/2003.09638

作者： Dalong Yang, Chuan Chen, Youhao Zheng, Zibin Zheng, Shih-wei Liao

摘要： 图卷积网络（GCN）已广泛用于图学习任务。但是，基于GCN的模型（GCN）是一种内在耦合的训练框架，反复进行复杂的邻近聚合，这导致在处理大规模图时灵活性受到限制。随着层深度的增加，由于递归邻域扩展，GCN的计算和存储成本急剧增长。为了解决这些问题，我们提出了Node2Grids，这是一种灵活的非耦合训练框架，它利用独立的映射数据来获取嵌入。在实践中，Node2Grids取代了直接将耦合节点作为GCN处理的功能，而是支持一种更为有效的方法，将耦合图数据映射到独立的网格状数据中，然后可以将其输入到有效的卷积神经网络（CNN）中。这种简单而有效的策略可以大大节省内存和计算资源，同时可以与领先的基于GCN的模型取得可比的结果。具体来说，通过按程度对每个节点的影响程度进行排序，Node2Grids会选择最有影响力的一阶和二阶邻居，并使用中央节点融合信息来构建类似网格的数据。为了进一步提高下游任务的效率，采用了基于CNN的简单神经网络来从映射的网格状数据中捕获重要信息。此外，实现了网格级别的关注机制，该机制使得可以为具有不同影响的相邻节点隐式指定不同的权重。除了典型的归纳和归纳学习任务，我们还验证了我们在百万级图上的框架，以证明所提出的Node2Grids模型相对于基于GCN的最新方法的优越性。

使用特征间和特征内注意力网络的可解释谣言检测

原文标题： Explainable Rumor Detection using Inter and Intra-feature Attention Networks

地址： http://arxiv.org/abs/2007.11057

作者： Mingxuan Chen, Ning Wang, K.P. Subbalakshmi

摘要： 随着社交媒体的普及，来自该媒体的信息消耗也增加了。但是，随着这种增加而出现的严重问题之一就是谣言的传播。因此，谣言识别是一项非常关键的任务，对经济，民主以及公共健康和安全具有重大影响。我们通过设计一种模块化的可解释架构来解决社交媒体中谣言的自动检测问题，该架构同时使用潜在功能和手工功能，并且可以根据需要扩展为许多新功能。这种方法将使最终用户不仅可以确定社交媒体上的信息是否真实，而且还可以解释该算法为何得出结论。使用注意力机制，我们能够解释每个要素的相对重要性以及要素类本身的相对重要性。这种方法的优点是，体系结构可以扩展到更多的手工功能，并且可以进行广泛的测试以确定这些功能在最终决策中的相对影响。对流行的数据集进行了广泛的实验，并针对11种现代算法进行了基准测试，结果表明，我们的方法在F得分和准确性方面表现出明显更好的性能，同时也具有可解释性。

复杂网络中的级联故障

原文标题： Cascading Failures in Complex Networks

地址： http://arxiv.org/abs/2007.11075

作者： Lucas D. Valdez, Louis Shekhtman, Cristian E. La Rocca, Xin Zhang, Sergey V. Buldyrev, Paul A. Trunfio, Lidia A. Braunstein, Shlomo Havlin

摘要： 级联故障是一个潜在的破坏性过程，会在现实世界的复杂网络中传播，并可能影响范围广泛的基础架构，自然系统和社会凝聚力的完整性。对故障传播造成复杂网络脆弱性的基本特征之一是其组件之间的依赖性，使整个系统承受不稳定因素（如人为攻击，自然灾害或内部故障）的重大风险。开发级联故障的现实模型以及停止和减轻故障传播的策略，可以指出恢复和加强实际网络的新方法。在这篇综述中，我们总结了基于物理学和复杂网络科学开发的模型的最新进展，以了解级联故障的机理，动力学和整体影响。我们为单个网络和相互依赖的网络中的级联故障提供模型，并解释不同的动态传播机制如何导致突然崩溃和丰富的动态行为。最后，我们以新颖的，包含故障级联的新兴策略来结束本综述，并讨论有待解决的未解决问题。

稀疏图的快速图元变换

原文标题： Fast Graphlet Transform of Sparse Graphs

地址： http://arxiv.org/abs/2007.11111

作者： Dimitris Floros, Nikos Pitsianis, Xiaobai Sun

摘要： 我们介绍了一个稀疏大图的小图变换的计算问题。小图是所有图/网络的基本拓扑元素。它们可以用作编码元素，以对图上的多个粒度级别的图拓扑信息进行编码，以及在不同图和网络之间进行区分和连接。使用多个图的网络/图分析的应用正在增长。我们认识到在使用多个小图时的通用性和增强的编码能力，我们解决了出现的计算复杂性问题，并且提出了一种用于精确小图变换的快速方法。快速的graphlet转换以高的计算效率，低的内存消耗以及立即转换为高性能程序和实现的方式一次建立了一些出色的记录。它旨在促进或启用具有小图的高级网络/图分析，并同时推进稀疏图论，高性能图计算和更广泛的应用。

异构网络中用于链路预测的上下文嵌入的自监督学习

原文标题： Self-Supervised Learning of Contextual Embeddings for Link Prediction in Heterogeneous Networks

地址： http://arxiv.org/abs/2007.11192

作者： Ping Wang, Khushbu Agarwal, Colby Ham, Sutanay Choudhury, Chandan K. Reddy

摘要： 异构网络的表示学习方法为每个节点生成低维向量嵌入，该向量通常对于涉及该节点的所有任务都是固定的。许多现有方法集中于以一种对于使用该节点的下游应用程序不可知的方式获得节点的静态矢量表示。但是，实际上，下游任务需要特定的上下文信息，可以从与作为任务输入提供的节点有关的子图中提取特定的上下文信息。为了解决这一挑战，我们开发了SLiCE，这是一个框架，它结合了静态表示学习方法，该方法使用来自整个图的全局信息与局部注意力驱动机制来学习上下文节点表示。我们首先通过引入高阶语义关联和掩盖节点以自我监督的方式对模型进行预训练，然后针对特定的链路预测任务对模型进行微调。我们无需通过汇总来自通过元路径连接的所有语义邻居的信息来训练节点表示，而是自动学习不同元路径的组成，这些元路径可以表征特定任务的上下文，而无需任何预定义的元路径。 SLiCE在某些公开可用的基准网络数据集上的性能明显优于静态和上下文嵌入学习方法。我们还解释了语义关联矩阵，并提供了它在网络中异构节点之间成功进行链路预测时的效用和相关性。

大规模异构网络表示学习的多语义元路径模型

原文标题： A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning

地址： http://arxiv.org/abs/2007.11380

作者： Xuandong Zhao, Jinbao Xue, Jin Yu, Xi Li, Hongxia Yang

摘要： 已经广泛研究了网络嵌入，以在各种实际应用程序中对数据进行建模和管理。然而，大多数现有的工作集中于具有单一类型节点或边的网络，而对节点和边的不平衡分布的考虑有限。在实际应用中，网络通常由数十亿个具有丰富属性的各种类型的节点和边组成。为了解决这些挑战，本文提出了一种用于大规模异构表示学习的多语义元路径（MSM）模型。具体来说，我们生成基于多语义基于Metapath的随机游动，以构造异类邻域来处理不平衡分布，并为嵌入学习提出了一个统一的框架。我们在两个具有挑战性的数据集上对提议的框架进行了系统的评估：亚马逊和阿里巴巴。结果凭经验证明，MSM可以比以前的链路预测技术获得相对可观的收益。

声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，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。