• 时间网络中的神经高阶模式（模体）预测;
• 最大化领导者在社会网络中的影响力;
• 使用动态交互网络的群组视频对话中的欺骗检测;
• 顺序很重要：用于图生成的节点序列的概率建模;
• 图Transformer网络：学习元路径图以改进GNS;
• 可变可再生电力投资的收益与风险：高市场渗透率下的蚕食效应;
• 爱尔兰都柏林 COVID-19 发病率的年龄结构 SEIR 模型以及评估健康干预成本的框架;

时间网络中的神经高阶模式（模体）预测

原文标题： Neural Higher-order Pattern (Motif) Prediction in Temporal Networks

地址： http://arxiv.org/abs/2106.06039

作者： Yunyu Liu, Jianzhu Ma, Pan Li

摘要： 由一组交互元素组成的动态系统可以抽象为时间网络。最近，已经发现涉及多个交互节点的高阶模式对于指示不同时间网络的特定领域定律至关重要。这给我们带来了为这些高阶模式和相关的新学习算法设计更复杂的超图模型的挑战。在这里，我们提出了第一个模型，名为 HIT，用于时间超图中的高阶模式预测。特别是，我们专注于预测涉及时间网络中三个交互元素的三种常见但重要的交互模式，这些模式可以扩展到更高阶的模式。 HIT 提取时间超图上感兴趣的节点三元组的结构表示，并使用它来说明该三元组中可能发生的交互扩展的类型、时间和原因。与启发式和其他基于神经网络的基线在 5 个真实世界的大型时间超图中相比，HIT 可以实现显著改进（平均 20% AUC 增益以识别交互类型，统一更准确的时间估计）。此外，HIT 通过识别时间超图上最具辨别力的结构特征来预测不同的高阶模式，提供了一定程度的可解释性。

最大化领导者在社会网络中的影响力

原文标题： Maximizing Influence of Leaders in Social Networks

地址： http://arxiv.org/abs/2106.06128

作者： Xiaotian Zhou, Zhongzhi Zhang

摘要： 出于各种目的，添加边的操作经常被用于研究社会网络中的意见动态。在本文中，我们考虑了具有 n 个节点和 m 条边的社会网络中意见动态的 DeGroot 模型的边添加问题，其中存在少量 s ll n 与二进制竞争的领导者反对意见 0 或 1。具体而言，我们通过在候选边集中创建 k 条新边来提出和研究最大化均衡总体意见的问题，其中每条边都与一个 1 值的领导者和一个跟随者节点相关。我们表明目标函数是单调和子模块的。然后，我们提出了一个简单的贪心算法，其近似因子 (1-frac1e) 可以在 O(n^3) 时间内近似解决问题。此外，我们提供了一个具有 (1-frac1e-epsilon) 近似比和 tildeO(mkepsilon^-2) 时间复杂度的快速算法epsilon>0，其中 tildeO(cdot) 符号抑制了 rm poly (log n) 因子。大量实验表明，我们的第二种近似算法高效且有效，可扩展到具有超过一百万个节点的大型网络。

使用动态交互网络的群组视频对话中的欺骗检测

原文标题： Deception Detection in Group Video Conversations using Dynamic Interaction Networks

地址： http://arxiv.org/abs/2106.06163

作者： Srijan Kumar, Chongyang Bai, V.S. Subrahmanian, Jure Leskovec

摘要： 检测在视频对话中共同欺骗的人群在会议、销售宣传和谈判等环境中至关重要。过去关于视频欺骗的工作侧重于检测单个欺骗者，并且仅使用面部或视觉特征。在本文中，我们提出了面对面动态交互网络 (FFDIN) 的概念来模拟一组人的人际交互。 FFDIN 的使用使我们能够首次利用网络关系来检测视频对话中的群体欺骗。我们使用来自一个名为 Resistance 的基于欺骗的博弈的 185 个视频的数据集。我们首先描述欺骗性参与者的个人、配对和群体的行为，并将它们与非欺骗性参与者进行比较。我们的分析表明，成对的欺骗者倾向于避免相互互动，并将注意力集中在非欺骗者身上。相比之下，非欺骗者平等地与每个人互动。我们提出了负动态交互网络来捕捉缺少交互的概念。我们创建了 DeceptionRank 算法，以从仅一分钟长的视频中提取的 NDIN 中检测欺骗者。我们表明，我们的方法在识别视频欺骗方面比最近最先进的计算机视觉、图嵌入和集成方法至少高出 20.9% AUROC。

顺序很重要：用于图生成的节点序列的概率建模

原文标题： Order Matters: Probabilistic Modeling of Node Sequence for Graph Generation

地址： http://arxiv.org/abs/2106.06189

作者： Xiaohui Chen, Xu Han, Jiajing Hu, Francisco J. R. Ruiz, Liping Liu

摘要： 图生成模型定义了图上的分布。一种类型的生成模型是由自回归神经网络构建的，它依次添加节点和边以生成图。然而，自回归模型下图的似然性是难以处理的，因为有许多序列导致给定的图；这使得最大似然估计具有挑战性。相反，在这项工作中，我们推导出了图上的精确联合概率和顺序过程的节点排序。从联合中，我们近似边化节点排序并使用变分推理计算对数似然的下限。我们通过最大化这个界限来训练图生成模型，而不使用以前方法的临时节点排序。我们的实验表明，对数似然界限明显比以前方案的界限更紧。此外，采用所提出算法的模型可以生成与训练期间未见过的目标图结构相匹配的高质量图。我们已在 hyperref[https://github.com/tufts-ml/graph-generation-vi]https://github.com/tufts-ml/graph-generation-vi 上公开了我们的代码。

图Transformer网络：学习元路径图以改进GNS

原文标题： Graph Transformer Networks: Learning Meta-path Graphs to Improve GNNs

地址： http://arxiv.org/abs/2106.06218

作者： Seongjun Yun, Minbyul Jeong, Sungdong Yoo, Seunghun Lee, Sean S. Yi, Raehyun Kim, Jaewoo Kang, Hyunwoo J. Kim

摘要： 图神经网络（GNN）由于其对图结构数据的强大表示而被广泛应用于各个领域。尽管 GNN 取得了成功，但大多数现有的 GNN 旨在学习固定和同构图上的节点表示。当在错误指定的图或由各种类型的节点和边组成的异构图上学习表示时，这些限制尤其成问题。为理解决这个限制，我们提出了能够生成新图结构的图变换器网络（GTN），它排除了噪声连接并包括任务的有用连接（例如，元路径），同时在新图上学习有效的节点表示一种端到端的时尚。我们进一步提出了 GTN 的增强版本，即快速图转换网络 (FastGTN)，它提高了图转换的可扩展性。与 GTN 相比，FastGTN 快 230 倍，使用的内存减少 100 倍，同时允许与 GTN 相同的图转换。此外，我们将图转换扩展到节点的语义邻近性，允许元路径之外的非本地操作。在同构图和异构图上的大量实验表明，具有非本地操作的 GTN 和 FastGTN 实现了节点分类任务的最新性能。代码可用：https://github.com/seongjunyun/Graph_Transformer_Networks

可变可再生电力投资的收益与风险：高市场渗透率下的蚕食效应

原文标题： Revenue and risk of variable renewable electricity investment: the cannibalization effect under high market penetration

地址： http://arxiv.org/abs/2106.06287

作者： Lina Reichenberg, Tommi Ekholm, Trine Boomsma

摘要： 在过去几年中，可变可再生电力 (VRE) 资产的市场收入一直受到严格审查。风能和太阳能在发电量最大的时候会压低市场价格的观察结果被称为“蚕食效应”。这可能会对这些技术的收入产生重大影响，其影响程度已经在有关当前和未来市场的经济文献中确定。然而，在评估电力部门绿色投资的资本预算文献中忽略了这种影响（例如，包括投资组合和实物期权理论等方法）。在本文中，我们提出了一个分析框架，该框架明确模拟了 VRE 生产与电价之间的相关性，以及对周围容量组合和排放 CO_2 成本的收入的影响。特别是，我们推导出了短期和长期预期收入、收入差异和投资时机的封闭式表达式。以波兰电力系统的风能投资作为测试案例，通过数值示例说明了包含这些系统特性的效果。我们发现蚕食效应对收入有重大影响，根据对未来 VRE 产能扩张率的假设，使项目的预计利润从 33% 下降到 13% 到 -40% 之间（即亏损） .使用实物期权框架，由于包含了蚕食，投资门槛提高了 13% 到 67%。我们的结果同样表明，对未来电力容量组合的主观信念和不确定性，例如 VRE 容量增长，显著影响收入和投资时机的评估。

爱尔兰都柏林 COVID-19 发病率的年龄结构 SEIR 模型以及评估健康干预成本的框架

原文标题： An age-structured SEIR model for COVID–19 incidence in Dublin, Ireland with framework for evaluating health intervention cost

地址： http://arxiv.org/abs/2106.06377

作者： Fatima-Zahra Jaouimaa, Daniel Dempsey, Suzanne van Osch, Stephen Kinsella, Kevin Burke, Jason Wyse, James Sweeney

摘要： 全球为减轻 COVID-19 威胁而采取的策略主要涉及具有巨大经济和社会成本的封锁措施，并取得了不同程度的成功。 COVID-19 变体的发病模式与年龄密切相关，而限制性封锁措施与某些年龄组的负面心理健康结果相关。经济前景的下降也可能比其他人对某些年龄组的影响更大。受此启发，我们提出了一个模型来描述 COVID-19 社区传播，该模型结合了特定年龄社交互动的作用。通过对年龄结构确定性易感暴露感染消除 (SEIR) 模型进行灵活的参数化，我们提供了一种表征不同形式的锁定的方法，这些锁定形式可能会对特定年龄组产生不同的影响。社会互动通过年龄组到年龄组的接触矩阵来表示，可以使用可用数据进行训练，从而适应当地情况。该框架易于解释并适用于描述反事实情景，这可以帮助政策制定者最大限度地减少发病率与前瞻性抑制策略的成本相平衡。我们的工作源于爱尔兰的背景，我们使用爱尔兰政府机构在 2020 年 2 月 29 日至 2021 年 1 月 31 日期间收集的疾病监测数据。我们展示了如何使用所提出的模型公式构建爱尔兰封锁情景，并展示了对发病率和前瞻性规划的追溯拟合结果，以及相关的“假设/代替”封锁反事实与不确定性量化。我们的公式与特定区域无关，因为可以使用此模型直接编码其他区域的锁定策略。我们描述的方法通过可访问且易于使用的 Web 界面在线公开提供。

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。