• 复杂网络上的渗流：理论与应用;
• 用优化框架解释和统一图神经网络;
• 通过复杂网络上的传播动态检测隐藏层;
• 保持传染性的网络稀疏器：利用有效抵抗力探索流行边的重要性;
• 用于软件错误自动分类的时空图神经网络框架;
• 重复囚徒困境中多主体强化学习的对称均衡;
• 通过可变形卷积对空间非平稳性进行建模以进行深度交通流预测;
• 通过二维方法分析德国COVID-19扩散传播;
• 纽康-本福德定律：物理学家使用数字1的频率比9的频率高吗？;
• WallStreetBets：排名或禁止;
• 在COVID-19流行模型中振荡的自组织;
• 考虑个性的推荐系统综述;
• 挫折的最佳成本调整：在仓本坂口模型中实现所需状态;
• CML-COVID：具有潜在主题、情感和位置信息的大规模COVID-19 Twitter数据集;

复杂网络上的渗流：理论与应用

原文标题： Percolation on complex networks: Theory and application

地址： http://arxiv.org/abs/2101.11761

作者： Ming Li, Run-Ran Liu, Linyuan Lü, Mao-Bin Hu, Shuqi Xu, Yi-Cheng Zhang

摘要： 在过去的二十年中，从组成复杂系统的组件的异构交互模式的角度来看，网络科学蓬勃发展并影响着各个领域，例如统计物理学，计算机科学，生物学和社会学。作为随机和半随机连接的范例，渗透模型在网络科学及其应用的发展中起着关键作用。一方面，采用与渗流理论密切相关的概念和分析方法，例如巨型团簇的出现，有限尺寸标度和均值场方法，来量化和求解某些核心网络问题。另一方面，对渗流理论的见解也有助于理解网络系统，例如健壮性，流行性传播，重要节点识别和社区检测。同时，网络科学还为渗透理论本身带来了一些新问题，例如强大的异构系统的渗透，超越成对相互作用的网络拓扑转换以及相互连接的巨型集群的出现。到目前为止，渗流理论已经渗透到网络科学的结构分析和动态建模研究中。理解渗流理论应该有助于网络科学的许多领域的研究，包括网络前沿仍悬而未决的问题，例如除成对交互作用之外的网络，时间网络和网络。本文的目的是提供这些应用程序的概述，以及网络系统上渗滤过渡的基本理论。

用优化框架解释和统一图神经网络

原文标题： Interpreting and Unifying Graph Neural Networks with An Optimization Framework

地址： http://arxiv.org/abs/2101.11859

作者： Meiqi Zhu, Xiao Wang, Chuan Shi, Houye Ji, Peng Cui

摘要： 图神经网络（GNN）在用于多种任务的图结构化数据学习中已受到相当多的关注。设计良好的传播机制已被证明有效，是GNN的最基本部分。尽管大多数GNN基本上遵循消息传递方式，但是人们已经做出了很多努力来发现和分析其​​基本关系。在本文中，我们建立了具有统一优化问题的不同传播机制之间的令人惊讶的联系，表明尽管各种GNN都在激增，但实际上，它们提出的传播机制是在广泛的图类上优化特征拟合函数的最佳解决方案图正则项的内核。我们提出的统一优化框架总结了几个最具代表性的GNN之间的共性，不仅为调查不同GNN之间的关系提供了一个宏观的视角，而且还为灵活设计新的GNN提供了新的机会。通过提出的框架，我们发现现有的作品通常利用朴素的图卷积核来进行特征拟合，并且考虑到可调图核分别显示低通或高通滤波能力，我们进一步开发了两个新颖的目标函数。此外，我们提供了所提出模型的收敛性证明和表达能力比较。在基准数据集上进行的大量实验清楚地表明，提出的GNN不仅优于最新方法，而且还具有良好的缓解过度平滑的能力，并进一步证明了使用我们的统一优化框架设计GNN的可行性。

通过复杂网络上的传播动态检测隐藏层

原文标题： Detecting Hidden Layers from Spreading Dynamics on Complex Networks

地址： http://arxiv.org/abs/2101.11758

作者： Łukasz G. Gajewski, Jan Chołoniewski, Mateusz Wilinski

摘要： 当处理网络上的扩展过程时，测试数据的可靠性并确定潜在的未观察到的扩展路径可能至关重要。在本文中，我们解决了这些问题，并提出了隐藏层识别和重建的方法。我们还探讨了任务难度与描述传播过程发生的整个系统的多层网络结构之间的相互作用。我们的方法源于在任意图上的易感感染模型中级联可能性的精确表达。然后，我们表明，通过寻求单峰分布的统计特性和描述一系列级联的联合似然性的简单启发式方法，可以估算出隐藏层的存在及其内容，其成功率远远超过了空模型。我们在综合和现实网络上进行分析，为所提出方法的可行性提供证据。

保持传染性的网络稀疏器：利用有效抵抗力探索流行边的重要性

原文标题： Contagion-Preserving Network Sparsifiers: Exploring Epidemic Edge Importance Utilizing Effective Resistance

地址： http://arxiv.org/abs/2101.11818

作者： Alexander Mercier

摘要： 网络流行病学已成为理解高度顶点，地理和人口社区以及社会结构中其他不均匀性对疾病传播的影响的重要工具。但是，许多来自现代数据集的网络都非常密集，例如移动性网络，其中每个位置都链接到大量潜在的目的地。减少在这些网络上模拟流行病的计算量的一种方法是稀疏化，在稀疏化中，我们根据边重要性的某种度量来选择代表性的边子集。最近，提出了一种使用基于边有效电阻的算法的方法。我们探索如何有效抵抗与SI模型中边传播疾病的概率相关。我们发现，在某些情况下，边重要性的这两个概念具有很好的相关性，从而使有效抵抗成为边对流行病传播的重要性的有效计算主体。在其他情况下，相关性较弱，我们讨论了有效抗药性不能很好地代替流行病重要性的情况。

用于软件错误自动分类的时空图神经网络框架

原文标题： A Spatial-Temporal Graph Neural Network Framework for Automated Software Bug Triaging

地址： http://arxiv.org/abs/2101.11846

作者： Hongrun Wu, Yutao Ma, Zhenglong Xiang, Chen Yang, Keqing He

摘要： 错误分类过程是将错误报告分配给最合适的开发人员的基本过程，与软件开发的质量和成本密切相关。由于手动错误分配是一项劳动密集型任务，尤其是对于大型软件项目，因此，已经提出了许多基于机器学习的方法来自动分类错误报告。尽管开发人员协作网络（DCN）是动态的，并且在现实世界中不断发展，但是大多数自动错误分类方法都集中在单个时间片上的静态掷图上。另外，以前的研究都没有考虑开发人员之间的周期性交互。为理解决上述问题，在本文中，我们提出了一种新颖的时空动态图神经网络（ST-DGNN）框架，其中包括联合随机游走（JRWalk）机制和图递归卷积神经网络（GRCNN）模型。特别是，JRWalk旨在通过同时考虑节点重要性和边重要性来使用两种采样策略对图中的局部拓扑结构进行采样。 GRCNN具有三个具有相同结构的组件，即每小时周期，每天周期和每周周期的组件，以理解动态DCN的时空特征。通过与属于节点分类的两个特定领域任务中的几种最新图表示学习方法进行比较，我们评估了该方法的有效性。在这两个任务中，从Eclipse和Mozilla项目收集的两个真实的，大规模的开发人员协作网络上的实验表明，所提出的方法优于所有基准方法。

重复囚徒困境中多主体强化学习的对称均衡

原文标题： Symmetric equilibrium of multi-agent reinforcement learning in repeated prisoner’s dilemma

地址： http://arxiv.org/abs/2101.11861

作者： Yuki Usui, Masahiko Ueda

摘要： 我们研究了反复犯人的困境博弈，两名玩家交替使用强化学习来获得最佳的记忆一策略。我们从理论上解决了强化学习的联合Bellman最优方程。我们发现，在十六种确定性策略中，胜负输局策略，严峻策略以及始终存在缺陷的策略可以形成相互强化学习过程的对称均衡。

通过可变形卷积对空间非平稳性进行建模以进行深度交通流预测

原文标题： Modeling Spatial Nonstationarity via Deformable Convolutions for Deep Traffic Flow Prediction

地址： http://arxiv.org/abs/2101.12010

作者： Wei Zeng, Chengqiao Lin, Kang Liu, Juncong Lin, Anthony K. H. Tung

摘要： 深层神经网络正越来越多地用于短期交通流量预测。现有的基于卷积的方法通常将基础区域划分为网格状的空间单元，并采用标准卷积来学习单元之间的空间依赖性。但是，具有固定几何结构的标准卷积不能完全模拟本地交通流的非平稳特征。为了克服该缺陷，我们引入了可变形卷积，该变形卷积通过附加偏移量来增加空间采样位置，以增强空间非平稳性的建模能力。在此基础上，我们设计了一个深层可变形卷积残差网络，即DeFlow-Net，该网络可以有效地建模交通流的全局空间依赖性，局部空间非平稳性和时间周期性。此外，为了更好地适应卷积，我们建议首先根据预先构想的感兴趣区域汇总流量，然后处理顺序组织的栅格图像以进行网络输入。在现实世界中进行的大量实验表明，使用标准卷积，DeFlow-Net的性能优于现有解决方案，并且按预先设想的区域进行空间划分可以进一步提高性能。最后，我们展示了DeFlow-Net在保持空间自相关方面的优势，并揭示了分区形状和规模对深度交通流预测的影响。

通过二维方法分析德国COVID-19扩散传播

原文标题： COVID-19 propagation by diffusion – a two-dimensional approach for Germany

地址： http://arxiv.org/abs/2101.12011

作者： Guenter Bärwolff

摘要： 扩散随处可见。如果存在梯度或一定量的电势差，则会发生扩散过程，如果仅达到平衡，则扩散过程结束。物质的浓度可以是这样的量，也可以是电压。醋栗将由例如电压差驱动。在此COVID-19大流行中，一个地区同时观察到了两个发病率低的地区，而另一个地区则发现了高发病率的地区。当地不同的人口密度可能是造成这种情况的原因。在人口稠密的地区（如大城市或拥挤的城市地区），COVID-19的发病率高于农村地区。本文的目的在于应用扩散概念来描述COVID-19传播的一个可能问题。将根据德国不同联邦州完全不同的发病率数据针对德国的情况对此进行讨论。

纽康-本福德定律：物理学家使用数字1的频率比9的频率高吗？

原文标题： The Newcomb–Benford law: Do physicists use more frequently the key 1 than the key 9?

地址： http://arxiv.org/abs/2101.12068

作者： Andrea Burgos, Andrés Santos

摘要： Newcomb-Benford定律，也称为第一数位定律，给出与数据集的第一位相关的概率分布，因此第一有效数位的概率为 30.1 ％，分别为 1 和 4.58 ％是 9 。该定律可以扩展到第二个和下一个有效数字。在本文中，对定律的发现，定律不变性质的派生以及一些应用和示例作了介绍。另外，提出了一个简单的动态模型，该模型可以模拟初始数据集在顺序乘以因子 2 后的变化方式。在该模型中，证明了生成的数据集的第一位数字分布不可逆地收敛于Newcomb-Benford定律。

WallStreetBets：排名或禁止

原文标题： WallStreetBets: Positions or Ban

地址： http://arxiv.org/abs/2101.12110

作者： Christian Boylston, Beatriz Palacios, Plamen Tassev, Amy Bruckman

摘要： r / wallstreetbets（WallStreetBets或WSB）是致力于消除模因和高风险期权交易的次级债券。截至2020年3月30日，subreddit拥有近110万订户的用户，并自我描述为“如果4chan找到了彭博终端机”。本文将利用Amy Jo Kim的社区设计原则以及社会心理学理论作为框架，以理解这个混乱，时常令人反感的社区如何在该平台上开发出最大，最忠实的用户群之一。我们将进一步论证，幽默在促进团队凝聚力和为交易员（和面纱薄薄的赌徒）提供非常规的第三名方面起着至关重要的作用，交易员（和面纱薄薄的赌徒）以粗俗而幽默的方式互相寻求支持。

在COVID-19流行模型中振荡的自组织

原文标题： Self-organization of oscillation in an epidemic model for COVID-19

地址： http://arxiv.org/abs/2101.12151

作者： Takashi Odagaki

摘要： 在隔离模型的基础上，当感染的个人数量 I 的净变化率 lambda 由 lambda - I 平面中的椭圆给出时，研究流行曲线。在 [I _ ell，I_h] 中受支持。对于 a equiv（I_h-I _ ell）/（I_h + I _ ell），表明（1）当 a <1 或 I _ ell> 0 时，感染曲线的振荡是自组织的，振荡的周期与（I_h-I _ ell）和几何平均值 sqrt I_h I _ ell I_h 和 I _ ell （2），当 a = 1 时，感染曲线显示了一种临界行为，即在a长时间后，服从幂指数函数为 -2 的幂律函数时，它会衰减（3）当 a> 1 时，感染曲线在峰值后的长时间限制内呈指数衰减。当前结果表明，可以通过使 I _ ell <0 的措施来控制大流行。

考虑个性的推荐系统综述

原文标题： A Survey on Personality-Aware Recommendation Systems

地址： http://arxiv.org/abs/2101.12153

作者： Sahraoui Dhelim, Nyothiri Aung, Mohammed Amine Bouras, Huansheng Ning, Erik Cambria

摘要： 随着个性计算作为与人工智能和个性心理学相关的新研究领域的兴起，我们见证了个性感知推荐系统的空前增长。与常规推荐系统不同，这些新系统解决了诸如冷启动和数据稀疏性问题之类的传统问题。这项调查旨在研究个性识别系统并对其进行系统分类。据我们所知，本次调查是第一个侧重于个性感知推荐系统的调查。通过比较个性感知推荐系统的个性化建模方法和推荐技术，我们探索了个性感知推荐系统的不同设计选择。此外，我们介绍了常用的数据集并指出了个性识别推荐系统的一些挑战。

挫折的最佳成本调整：在仓本坂口模型中实现所需状态

原文标题： Optimal cost tuning of frustration: Achieving desired states in the Kuramoto-Sakaguchi model

地址： http://arxiv.org/abs/2101.12171

作者： Gemma Rosell-Tarragó, Albert Díaz-Guilera

摘要： 有许多研究过的现实世界系统的示例，这些系统可以描述为以各个阶段为特征并耦合到类似网络的结构中的动态系统。在振荡模型的框架内，人们对熊本模型投入了很多注意力，仓本模型考虑了通过相位差的正弦函数相互作用的一组振荡器。在本文中，我们借鉴了Kuramoto模型的扩展，即Kuramoto-Sakaguchi模型，该模型向每个节点添加了相位滞后参数。我们构建了一种通用形式主义，该形式主义允许计算可能导致线性近似内的任何相位配置的滞后参数集。特别地，我们特别注意完全同步和对称配置的情况。我们表明，稳态下的固有频率，相位滞后参数和相位的集合由一个方程式耦合，连续解的谱是可行的。为了量化系统达到特定配置所需的压力，我们定义了成本函数并计算出将其最小化的最佳参数集。尽管考虑了模型的线性近似，但我们表明，在完全同步的情况下，所获得的调整参数也增强了非线性模型中的频率同步。

CML-COVID：具有潜在主题、情感和位置信息的大规模COVID-19 Twitter数据集

原文标题： CML-COVID: A Large-Scale COVID-19 Twitter Dataset with Latent Topics, Sentiment and Location Information

地址： http://arxiv.org/abs/2101.12202

作者： Hassan Dashtian, Dhiraj Murthy

摘要： 作为平台，Twitter已成为与COVID-19大流行相关的重要公共讨论场所。诸如Twitter之类的公共社交媒体平台代表了与大流行有关的重要参与站点，这些数据可被研究团队用于社会，健康和其他研究。理解有关COVID-19的公众舆论以及信息如何在社交媒体中传播对于政府和研究机构来说非常重要。 Twitter是一个无处不在的公共平台，因此对于理解公众与COVID-19相关的看法，行为和态度具有巨大的实用性。在这项研究中，我们介绍了CML-COVID，这是来自5,977,653位独特个人的19,298,967百万条推文的COVID-19 Twitter数据集，并总结了这些数据的某些属性。这些推文是在2020年3月至2020年7月之间使用查询词冠状病毒，covid和与COVID-19相关的掩码收集的。我们使用主题建模，情感分析和描述性统计数据来描述与我们收集的COVID-19相关的推文以及推文的地理位置（如果有）。我们提供有关如何访问tweet数据集的信息（使用twarc存档）。

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。