• 基于图神经网络的可扩展框架，用于识别复杂网络中的关键节点和链接;
• 复杂网络的距离骨架;
• 网络的代表性社区划分;
• 增量图计算：动态社会网络中的锚节点跟踪;
• 改善分布式随机梯度方法的瞬态时间;
• 会话动力学的可视化分析;
• 通过在线新闻的语义网络分析探索消费者信心的前提;
• 用图神经网络估计流行病的传播状态;
• 信息不完整对异构主体网络形成的影响;
• 社交媒体上对COVID-19疫苗的犹豫不决：反疫苗内容、疫苗错误信息和阴谋论的公共Twitter数据集;
• 特征因子;
• 电力系统的谱表示及其在自适应电网划分和级联故障定位中的应用;
• QAnon的崛起：回声室中善恶行为的心理模型;

基于图神经网络的可扩展框架，用于识别复杂网络中的关键节点和链接

原文标题： Scalable Graph Neural Network-based framework for identifying critical nodes and links in Complex Networks

地址： http://arxiv.org/abs/2012.15725

作者： Sai Munikoti, Laya Das, Balasubramaniam Natarajan

摘要： 识别图中的关键节点和链接是一项关键任务。这些节点/链接通常表示在系统性能中起关键作用的关键元素/通信链接。但是，文献中有关关键节点/链接识别的大多数方法都基于一种迭代方法，该方法一次浏览图的每个节点/链接，并对图中的所有节点/链接重复。这样的方法具有很高的计算复杂度，并且所得到的分析也是特定于网络的。为了克服这些挑战，本文提出了一种基于可扩展且通用的图神经网络（GNN）的框架，用于识别大型复杂网络中的关键节点/链接。所提出的框架定义了一个基于GNN的模型，该模型学习节点/链接的一小部分代表性子集上的节点/链接临界评分。可以使用经过适当训练的模型来预测大型图中看不见的节点/链接的分数，从而确定最关键的节点/链接。该框架的可扩展性是通过预测大型合成网络和现实网络中的节点/链接得分来证明的。所提出的方法在逼近临界分数方面是相当准确的，并且与常规方法相比具有显著的计算优势。

复杂网络的距离骨架

原文标题： The distance backbone of complex networks

地址： http://arxiv.org/abs/2103.04668

作者： Tiago Simas, Rion Brattig Correia, Luis M. Rocha

摘要： 冗余需要更精确的特性描述，因为它是多元交互网络的发展和健壮性的主要因素。我们通过推断连接传递性（包括所有可能的加权图路径长度度量）来研究此类交互的复杂性。其结果是，在不将图分解成较小的成分的情况下，得到了足以计算所有最短路径的距离主干子图。这对于理解现实网络中传播和通信现象的动态非常重要。我们正式得出的一般方法产生了一种原理图还原技术，并提供了所有边的三角形几何的更精细表征-那些有助于最短路径的边和那些不参与其他网络现象的边。我们证明，在从空中交通到人脑连接组的跨域大型网络中，距离骨干网非常小，这表明网络对攻击和故障的鲁棒性似乎源于惊人的大量冗余。

网络的代表性社区划分

原文标题： Representative community divisions of networks

地址： http://arxiv.org/abs/2105.04612

作者： Alec Kirkley, M. E. J. Newman

摘要： 用于检测网络中社区结构的方法通常旨在通过优化某些目标函数来确定将网络节点划分为社区的单个最佳分区。但是，在实际应用中，通常会有许多竞争性分区，其客观分数接近于全局最优分区，而真正的社区结构更适合由整个高分分区集而不是仅由单个最优分区来表示。这样的集合可能难以解释，因为它的大小很容易达到数百或数千个分区。在本文中，我们以一种有效的方法的形式提出了该问题的解决方案，该方法将相似的分区聚类为组，然后将原型分区标识为每个组的代表。结果是任何网络中社区结构的形式和多样性的简洁易懂的摘要。我们在一系列示例网络上演示了该方法。

增量图计算：动态社会网络中的锚节点跟踪

原文标题： Incremental Graph Computation: Anchored Vertex Tracking in Dynamic Social Networks

地址： http://arxiv.org/abs/2105.04742

作者： Taotao Cai, Shuqiao Yang, Jianxin Li, Quan Z. Sheng, Jian Yang, Xin Wang, Wei Emma Zhang, Longxiang Gao

摘要： 最近，用户参与在理解许多在线社会网络平台中社区的衰退和扩展方面引起了极大的关注。许多用户参与度研究已经完成，目的是在静态社会网络中找到一组关键（锚定）用户。但是，社会网络是高度动态的，并且其结构也在不断发展。在本文中，我们针对一个称为“锚定顶点跟踪”（AVT）的新研究问题，该问题旨在跟踪每个演进网络中的锚定用户。为理解决AVT问题，我们开发了一种贪婪算法。此外，我们设计了一种增量算法来有效解决AVT问题。最后，我们进行了广泛的实验，以证明我们提出的算法的性能。

改善分布式随机梯度方法的瞬态时间

原文标题： Improving the Transient Times for Distributed Stochastic Gradient Methods

地址： http://arxiv.org/abs/2105.04851

作者： Kun Huang, Shi Pu

摘要： 我们考虑分布式优化问题，其中每个 n 主体都具有本地成本函数，从而协作地最小化已连接网络上 n 成本函数的平均值。假设随机梯度信息可用，我们研究一种分布式随机梯度算法，该算法被称为“精确扩散与自适应步长”（EDAS），它是根据“精确扩散”方法和NIDS改编而成，并执行了非渐近收敛分析。我们不仅表明EDAS渐近地实现了与集中式随机梯度下降（SGD）相同的网络独立收敛速率，以最小化强凸和平滑目标函数，而且还表征了算法达到渐近收敛率所需的瞬态时间，该行为表现为表示为 K_T = mathcal O left（ frac n 1- lambda_2 right），其中 1- lambda_2 表示混合矩阵的谱间隙。据我们所知，当 n 成本函数的平均值是强凸且每个成本函数是平滑时，EDAS可以实现最短的过渡时间。数值模拟进一步证实和加强了所获得的理论结果。

会话动力学的可视化分析

原文标题： Visual Analytics of Conversational Dynamics

地址： http://arxiv.org/abs/2105.04897

作者： Daniel Seebacher, Maximilian T. Fischer, Rita Sevastjanova, Daniel A. Keim, Mennatallah El-Assady

摘要： 人类交流的大规模交互网络通常被建模为复杂的图结构，从而掩盖了单个对话中的时间模式。为了促进对这种对话动态的理解，需要检测具有低或高通信活动的情节以及通信中断，以使得能够识别时间交互模式。传统的情节检测方法高度依赖于参数的选择，例如窗口大小或合并分辨率。在本文中，我们提出了一种新颖的技术，用于从抽象通信网络中识别双向交互序列中的相关情节。我们将通信建模为一个连续的密度函数，从而可以更可靠地将其细分为单个情节并估算通信量。此外，我们定义了量身定制的功能集来表征对话动态，并实现用户指导的通信行为分类。我们将技术应用于来自大型欧洲研究机构的真实世界的电子邮件数据语料库。结果表明，我们的技术使用户可以有效地定义，识别和分析相关的交流事件。

通过在线新闻的语义网络分析探索消费者信心的前提

原文标题： Exploring the Antecedents of Consumer Confidence through Semantic Network Analysis of Online News

地址： http://arxiv.org/abs/2105.04900

作者： A. Fronzetti Colladon, F. Grippa, B. Guardabascio, F. Ravazzolo

摘要： 本文通过语义网络分析研究在线新闻对社会和经济消费者认知的影响。我们使用意大利媒体上近130万在线文章（涵盖了四年的时间），评估了与经济相关的关键字在消费者信心指数上的递增预测能力。我们将新闻转换为同时出现的单词的网络，并计算了特定关键字的语义重要性，以查看文章中出现的单词是否可以预测消费者对经济状况的判断。结果表明，如果我们考虑当前家庭和国家情况，与经济相关的关键字具有更强的预测能力，而就对未来的期望而言，它们的预测能力则不那么重要。我们的语义重要性指标提供了一种补充方法来估计消费者的信心，从而减轻了传统基于调查的方法的局限性。

用图神经网络估计流行病的传播状态

原文标题： Estimating the State of Epidemics Spreading with Graph Neural Networks

地址： http://arxiv.org/abs/2105.05060

作者： Abhishek Tomy, Matteo Razzanelli, Francesco Di Lauro, Daniela Rus, Cosimo Della Santina

摘要： 当流行病蔓延到人群中时，对所有涉及的对象进行连续监测通常是不切实际的或不可能的。作为替代方案，算法解决方案可用于从有限的量度中推断整个人群的状态。我们分析了深度神经网络解决这一挑战性任务的能力。我们提出的架构基于图卷积神经网络。这样，就可以推断出潜在的社会网络结构的影响，而这种社会网络结构被认为是流行病传播的主要组成部分。我们使用两种以CoVid-19大流行为模型的方案来测试所提议的体系结构：一个通用的同质种群，以及一个波士顿都市区的玩具模型。

信息不完整对异构主体网络形成的影响

原文标题： The Impact of Incomplete Information on Network Formation with Heterogeneous Agents

地址： http://arxiv.org/abs/2105.05072

作者： D. Kai Zhang, Alexander Carver

摘要： 我们提出了一种在不确定性下的基于主体的网络形成模型，其目的是放宽对完整信息的一般假设，提请注意信念在隔离中可能扮演的角色。我们证明了我们的模型能够生成一组包含完整信息模型网络的网络。此外，我们表明，通过允许主体基于可观察的属性相互偏见，我们的模型能够生成具有对这些属性无所谓的偏好的同质平衡。我们在理论结果的基础上，对基于信念和种族隔离的关系进行了基于模拟的调查，结果表明，在信息不完全的情况下，有偏见的信仰是种族隔离的重要驱动因素。

社交媒体上对COVID-19疫苗的犹豫不决：反疫苗内容、疫苗错误信息和阴谋论的公共Twitter数据集

原文标题： COVID-19 Vaccine Hesitancy on Social Media: Building a Public Twitter Dataset of Anti-vaccine Content, Vaccine Misinformation and Conspiracies

地址： http://arxiv.org/abs/2105.05134

作者： Goran Muric, Yusong Wu, Emilio Ferrara

摘要： 关于COVID-19疫苗的虚假陈述会破坏公众对正在进行的疫苗接种运动的信任，从而对全球公共健康构成威胁。自COVID-19大流行开始以来，来自各种来源的错误信息一直在网上传播。在本文中，我们提供了一个Twitter帖子的数据集，这些数据表现出了强烈的反疫苗立场。数据集由两部分组成：a）具有超过180万条推文的以流为中心的以关键字为中心的数据集合，以及b）具有超过1.35亿条推文的历史帐户级集合。从2020年10月中开始，前者利用Twitter流API遵循一组特定的疫苗相关关键字。后者由7万个帐户的所有历史性推文组成，这些推文活跃于反疫苗叙事的传播。我们提供描述性分析，显示随着时间的推移活动量，地理分布，主题，新闻来源和推断的帐户政治倾向。该数据集可用于研究社交媒体上的抗疫苗错误信息，并使人们对疫苗的犹豫感有更好的理解。根据Twitter的服务条款，我们的匿名数据集可在以下位置公开获得：https：//github.com/gmuric/avax-tweets-dataset

特征因子

原文标题： Eigenfactor

地址： http://arxiv.org/abs/2105.05150

作者： Grischa Fraumann, Jennifer D’Souza, Kim Holmberg

摘要： 特征因子是一种期刊度量，由Bergstrom及其华盛顿大学的同事开发。他们发明了特征因子，以回应对使用简单引用计数的批评。特征因子利用引用的网络结构，即期刊之间的引用，并根据期刊在期刊网络中的位置来确定期刊的重要性，影响或影响。重要性是根据期刊之间的引用次数来定义的。这样，本征因子算法基于本征向量中心性。尽管批评了基于期刊的指标，但在广泛使用的《旧金山研究评估宣言》（DORA）中，也建议使用特征因子作为替代方案。

电力系统的谱表示及其在自适应电网划分和级联故障定位中的应用

原文标题： A Spectral Representation of Power Systems with Applications to Adaptive Grid Partitioning and Cascading Failure Localization

地址： http://arxiv.org/abs/2105.05234

作者： Alessandro Zocca, Chen Liang, Linqi Guo, Steven H. Low, Adam Wierman

摘要： 电力系统中的传输线故障会在本地传播和级联。这种众所周知的但违反直觉的功能使优化和可靠地操作这些复杂的网络更具挑战性。在这项工作中，我们提出了一个基于谱图论的综合框架，该框架可以完全，严格地刻画多个同时发生的线路故障的传播方式，从而区分非割断和割断停机。使用电力系统的这种谱表示法，我们确定了关键图子结构，该子结构可确保线路故障的定位-网络桥接块分解。利用这一理论，我们提出了一种自适应网络拓扑重新配置范例，该范例使用两阶段算法，其中第一阶段旨在使用网络模块化概念来识别最佳集群，第二阶段通过最佳线路切换操作来优化集群。我们在标准IEEE网络上使用大量的数值示例对我们提出的方法进行了说明，并讨论了该算法的几种扩展和变体。

QAnon的崛起：回声室中善恶行为的心理模型

原文标题： Rise of QAnon: A Mental Model of Good and Evil Stews in an Echochamber

地址： http://arxiv.org/abs/2105.04632

作者： J. Hunter Priniski, Mason McClay, Keith J. Holyoak

摘要： QAnon的阴谋表明，崇拜撒旦的民主党人进行了秘密的儿童性贩运活动，唐纳德·特朗普注定要揭露该组织并予以歼灭。 QAnon体现了政治误解可以通过社交媒体传播的轻松性，它起源于2017年底，并迅速发展以塑造数百万的政治信仰。为了阐明阴谋理论的传播过程，我们报告了两项计算研究，研究了Twitter早期QAnon网络中心用户产生的推文的社会网络结构和语义内容。使用2018年夏季获得的数据，我们检查了大约100,000名用户制作的关于QAnon的800,000条推文。大多数用户传播而不是产生信息，以创建一个在线回声室。用户似乎持有一种简单化的心理模型，在该模型中，政治事件被视为善与恶之间的对立力量（无论是观察到的还是未观察到的）之间的斗争。

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。