• 认知、地理和协作邻近对加拿大纳米技术知识生产的影响;
• 无标度适应性网络的增量形成;
• 使用经济物理学方法测试土耳其2002-2019年期间古德温增长周期;
• 重新审视网络上的协调问题：静态和动态;
• 遏制COVID-19大流行的限制性措施对意大利地区再生数R_t的影响研究;
• 通过神经平均场动力学进行影响估计和最大化;
• SIR 切换模型中最佳社交距离的模型预测控制;

认知、地理和协作邻近对加拿大纳米技术知识生产的影响

原文标题： Influence of cognitive, geographical, and collaborative proximity on knowledge production of Canadian nanotechnology

地址： http://arxiv.org/abs/2106.02110

作者： Elva Luz Crespo Neira, Ashkan Ebadi, Catherine Beaudry, Andrea Schiffauerova

摘要： 整合现有知识对于创新、发现和产生新想法至关重要。通过研究和发明生产知识是科学技术发展的关键。作为一项新兴技术，纳米技术已经证明了其对全球经济的巨大潜力，吸引了大量的联邦投资。据报道，加拿大是进行纳米技术研究的主要参与者之一。在本文中，我们通过分析加拿大纳米技术研究人员，重点关注知识生产和传播的主要驱动因素。我们假设加拿大纳米技术的知识生产受到三个关键邻近因素的影响，即认知、地理和协作。使用统计分析、社会网络分析和机器学习技术，我们综合评估了邻近因素对学术知识生产的影响。我们的结果不仅证明了三个关键邻近因素的显著影响，而且证明了它们的预测潜力。

无标度适应性网络的增量形成

原文标题： Incremental formation of scale-free fitness networks

地址： http://arxiv.org/abs/2106.02168

作者： Fabio Vanni

摘要： 在本文中，我们提出了一种构建具有隐藏变量的无标度网络的增量方法。这项工作源于生成具有给定链接数的那种类型的网络的必要性，而不是像通常的文献那样为给定的一组参数获取随机配置。我提出了一种网络演化模型的分析方法，该方法基于在可能网络空间上构建随机过程来随时间收集信息。解析解在多图网络的情况下是有效的，同时在简单图中我们处理重要的有限尺寸效应。我们展示了该网络的统计特性，例如孤立节点的数量、度相关性和多链路，还讨论了此类预测在实际网络中的局限性。数值模拟用于支持分析计算。在计算方面，这种演化网络构建允许调节网络的连接性，获得用作系统控制参数的连接密度的期望值。因此，增量生成方法更适合我们想要控制系统中链接数量而节点数量保持固定的情况。

使用经济物理学方法测试土耳其2002-2019年期间古德温增长周期

原文标题： Testing the Goodwin Growth Cycles with Econophysics Approach in 2002-2019 Period in Turkey

地址： http://arxiv.org/abs/2106.02546

作者： Kerim Eser Afşar, Mehmet Özyigit, Yusuf Yüksel, Ümit Akıncı

摘要： 2002 年至 2019 年期间的土耳其经济已在经济物理方法中进行了调查。从家庭预算调查中获得的个人收入数据，获得了每年的 Gompertz-Pareto 分布和上述时期的 Goodwin 循环。在这一时期，在单党统治下举行了 13 次选举，可以看出收入分配与 Gompertz-Pareto 分配非常吻合，后者显示了土耳其经济的两级结构。已经获得了阈值x_t（将这两个类别分开）以及帕累托系数的变化。此外，在此期间观察到古德温循环，以(u,v)cong (66.30,83.40)为中心，T=18.30年的周期。得出的结论是，这些观察结果与上述时期所经历的经济和社会事件是一致的。

重新审视网络上的协调问题：静态和动态

原文标题： Coordination problems on networks revisited: statics and dynamics

地址： http://arxiv.org/abs/2106.02548

作者： Luca Dall’Asta

摘要： 简单的二元状态协调模型被广泛用于研究集体社会经济现象，例如创新的传播或产品在社会网络上的采用。这些系统的共同特征是大规模协调事件以级联过程的形式突然发生，这是明显稳定状态的小扰动的结果。文献中已经大量分析了级联不稳定性发生的条件，但是对于相同的协调模型，没有对（纳什）平衡的结构特性与动态平衡选择的可能结果之间的关系给予足够的关注。使用来自无序系统的统计物理学的方法，目前的工作从分析和数值上研究了网络上这种纳什均衡的统计特性，主要集中在随机图上。我们提供了对这些属性的准确描述，然后利用这些描述来阐明大型网络上协调/错误协调发生背后的机制。这是通过研究最常见的动态均衡选择过程完成的，例如最佳响应、有界理性动态和学习过程。特别是，我们表明，远远超出不稳定区域，完全协调仍然是全局随机稳定的，但是可以通过以下方式阻止具有低随机性（例如最佳响应）或强记忆效应（例如强化学习）的均衡选择过程实现完全协调在低/中协调（低效均衡）下陷入大量（以指数形式表示）的局部稳定纳什均衡中。这些结果应该有助于更好地理解复杂网络上的一般协调问题。

遏制COVID-19大流行的限制性措施对意大利地区再生数R_t的影响研究

原文标题： Study on the effects of the restrictive measures for containment of the COVID-19 pandemic on the reproduction number $R_t$ in Italian regions

地址： http://arxiv.org/abs/2106.02603

作者： Gianluca Bonifazi, Luca Lista, Dario Menasce, Mauro Mezzetto, Daniele Pedrini, Roberto Spighi, Antonio Zoccoli

摘要： 自 2020 年 11 月 6 日^mathrmth 起，意大利地区已根据特定风险情景分为四个级别，并已预见到具体限制措施。通过分析繁殖数 R_t 的时间演变，我们估计了不同的限制措施对 R_t 的影响程度，并量化了病毒变体的扩散和疫苗接种活动的开始对 R_t 趋势的综合影响.我们还计算了限制性措施的实施与产生的影响之间的时间延迟。讨论了三种不同的模型来描述限制性措施的影响，并用两种不同的算法对结果进行了交叉检查，以计算 R_t。

通过神经平均场动力学进行影响估计和最大化

原文标题： Influence Estimation and Maximization via Neural Mean-Field Dynamics

地址： http://arxiv.org/abs/2106.02608

作者： Shushan He, Hongyuan Zha, Xiaojing Ye

摘要： 我们提出了一种新的学习框架，使用神经平均场 (NMF) 动力学来解决异构扩散网络上的推理和估计问题。我们的新框架利用 Mori-Zwanzig 形式主义来获得单个节点感染概率的精确演化方程，这使得延迟微分方程具有由可学习时间卷积算子近似的记忆积分。直接使用信息扩散级联数据，我们的框架可以同时学习扩散网络的结构和节点感染概率的演变。还建立了参数学习和最优控制之间的联系，从而产生了用于训练 NMF 的严格且可实施的算法。此外，我们展示了投影梯度下降法可用于解决具有挑战性的影响最大化问题，其中通过在每次迭代中对 NMF 进行一次前向积分，可以非常快速地计算梯度。广泛的实证研究表明，我们的方法对基础扩散网络模型的变化具有通用性和鲁棒性，并且在合成和现实世界数据的准确性和效率方面均显著优于现有方法。

SIR 切换模型中最佳社交距离的模型预测控制

原文标题： Model predictive control for optimal social distancing in a type SIR-switched model

地址： http://arxiv.org/abs/2106.02093

作者： J. E. Sereno, A. D’ Jorge, A. Ferramosca, E.A. Hernandez-Vargas, A. H. Gonzalez

摘要： 自第一次爆发以来，各国政府已采用社会疏远策略来管理 COVID-19 大流行。然而，进一步的流行浪潮阻碍了经济和社会活动恢复到其标准强度水平。需要基于控制理论的社会疏远干预措施来考虑实施的 SIR 类型模型的正式动态特征，以避免不切实际的目标并防止进一步爆发。这项工作的目标是双重的：充分理解控制动作（与第二波相关）下 SIR 型模型的一些动力学方面，并在此基础上提出一种切换非线性模型预测控制，以优化非药物措施策略。与其他策略相反，这里的目标不仅仅是在任何时候最大限度地减少感染人数，而是在最大限度地减少疫情的最终规模的同时，最大限度地减少社会限制的时间，避免感染流行高峰超过医疗系统的能力。模拟说明了上述提议的好处。

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。