• 通过局部混合模式改进图的同配性来打破图神经网络的限制;
• 在社交媒体中检测COVID-19健康相关错误信息的案例研究;
• 外生和内生价格上涨属于不同的动态类别;
• 多层网络中的最优传输;
• 复杂共生网络中的稳定性和选择性灭绝;
• 使用不确定的多尺度动力学传输方程分析意大利爆发 COVID-19 的空间传播;
• 单纯复形上的信号处理;

通过局部混合模式改进图的同配性来打破图神经网络的限制

原文标题： Breaking the Limit of Graph Neural Networks by Improving the Assortativity of Graphs with Local Mixing Patterns

地址： http://arxiv.org/abs/2106.06586

作者： Susheel Suresh, Vinith Budde, Jennifer Neville, Pan Li, Jianzhu Ma

摘要： 图神经网络 (GNN) 通过融合网络结构和节点特征，在多个基于图的学​​习任务上取得了巨大成功。现代 GNN 模型建立在通过消息传递迭代聚合邻居/邻近特征的基础上。其预测性能已被证明受到图中分类混合的强烈限制，这是一个关键属性，其中具有相似属性的节点相互混合/连接。我们观察到现实世界的网络表现出异质或多样化的混合模式，并且传统的全局分类测量，例如全局分类系数，可能不是量化这种混合的代表性统计数据。我们采用了一个广义的概念，即节点级别的可分类性，一种基于节点级别的概念，以更好地表示不同的模式并准确量化 GNN 的可学习性。我们发现各种 GNN 模型的预测性能与节点级别的分类高度相关。为了打破这个限制，在这项工作中，我们专注于将输入图转换为一个计算图，其中包含作为不同类型边的邻近度和结构信息。由此产生的多关系图具有更高的分类水平，更重要的是，保留了原始图中的丰富信息。然后，我们建议在此计算图上运行 GNN，并表明在结构和邻近度之间进行自适应选择可以提高不同混合下的性能。根据经验，我们展示了在各种真实世界图学习基准上采用我们的转换框架进行半监督节点分类任务的好处。

在社交媒体中检测COVID-19健康相关错误信息的案例研究

原文标题： Case Study on Detecting COVID-19 Health-Related Misinformation in Social Media

地址： http://arxiv.org/abs/2106.06811

作者： Mir Mehedi A. Pritom, Rosana Montanez Rodriguez, Asad Ali Khan, Sebastian A. Nugroho, Esra’a Alrashydah, Beatrice N. Ruiz, Anthony Rios

摘要： COVID-19 大流行已经产生了公共卫生官员所说的错误信息的信息流行病。随着社交距离和居家令生效，许多人转向社交媒体进行社交。社交媒体使用量的增加使其成为传播错误信息的主要工具。本文提出了一种机制，可通过跨学科方法检测社交媒体中与 COVID-19 健康相关的错误信息。利用社会心理学作为基础和现有的错误信息框架，我们使用应用的机器学习技术定义了错误信息主题和相关关键字，并将其纳入错误信息检测机制。接下来，使用 Twitter 数据集，我们使用多个最先进的机器学习分类器探索了所提出方法的性能。我们的方法在使用来自推文和决策树分类器的基于 uni-gram 的 NLP 特征生成对与健康相关的错误信息与真实信息进行分类时显示出有希望的结果，准确率最高为 78%。我们还提供有关反驳错误信息和研究伦理考虑的替代方案的建议。

外生和内生价格上涨属于不同的动态类别

原文标题： Exogenous and Endogenous Price Jumps Belong to Different Dynamical Classes

地址： http://arxiv.org/abs/2106.07040

作者： Riccardo Marcaccioli, Jean-Philippe Bouchaud, Michael Benzaquen

摘要： 将股票特定新闻数据库与300只股票的5年订单簿数据同步，我们表明，新闻发布后的异常价格变动（外生）表现出与自发（内生）明显不同的动态特征。平均而言，外生事件引起的大波动性波动突然发生，然后是衰减的幂律松弛，而内生价格跳跃的特征是波动性的逐渐加速增长，随后是幂律松弛，但比外生事件慢跳跃。值得注意的是，我们的结果让人联想到在不同环境中观察到的情况，即亚马逊图书销售和 YouTube 浏览量。最后，我们表明将幂律拟合到 it individual 波动率曲线允许人们将大事件分为内生和外生动态类别，而无需依赖新闻提要。

多层网络中的最优传输

原文标题： Optimal transport in multilayer networks

地址： http://arxiv.org/abs/2106.07202

作者： Abdullahi Adinoyi Ibrahim, Alessandro Lonardi, Caterina De Bacco

摘要： 在多层网络中建模流量分布和提取最佳流对于设计高效的多模式网络基础设施至关重要。最近基于最优传输理论的结果提供了强大且计算效率高的方法来解决这个问题，但它们主要集中在单层网络建模上。在这里，我们调整这些结果来研究最优流如何在多层网络上分布。我们提出了一个模型，其中不同层上的最佳流对要最小化的总成本有不同的贡献。这是通过一个随层变化的参数来完成的，它允许灵活地调整各个层对交通拥塞的敏感性。作为一个应用程序，我们考虑交通网络，其中每一层都与不同的交通系统相关联，并展示了当我们跨层调整此参数时交通分布如何变化。我们在带有公共汽车和有轨电车的波尔多市真实 2 层网络上展示了这个结果的一个例子，我们发现在某些情况下，有轨电车网络的存在显著减轻了道路网络上的交通负担。我们的模型为进一步分析真实多层网络中的最佳流量和导航策略铺平了道路。

复杂共生网络中的稳定性和选择性灭绝

原文标题： Stability and selective extinction in complex mutualistic networks

地址： http://arxiv.org/abs/2106.07206

作者： Hyun Woo Lee, Jae Woo Lee, Deok-Sun Lee

摘要： 我们通过 Lotka-Volterra 方程研究了表现出广泛度分布的经验植物 - 传粉者互惠网络中的物种丰度，并假设了均匀的群内竞争。一个不动点的稳定性可以通过它自身及其相邻不动点的非零分量的符号来确定。采用退火近似，我们推导出非零分量，以度数和重新尺度的相互作用强度表示，这导致我们根据参数找到不同的稳定不动点，从而产生相图。选择性灭绝阶段发现小程度物种灭绝，有效相互作用减少，保持稳定并阻止不稳定的发生。来自不同经验网络的非零最小物种丰度在按理论预测重新尺度时显示数据崩溃。

使用不确定的多尺度动力学传输方程分析意大利爆发 COVID-19 的空间传播

原文标题： Spatial spread of COVID-19 outbreak in Italy using multiscale kinetic transport equations with uncertainty

地址： http://arxiv.org/abs/2106.07262

作者： Giulia Bertaglia, Walter Boscheri, Giacomo Dimarco, Lorenzo Pareschi

摘要： 在本文中，我们引入了一个空间相关的多尺度模型来描述不确定数据下传染病的空间传播，特别关注模拟意大利 COVID-19 流行病的发生。虽然病毒传播由 SEIAR 类型的分区模型控制，但在我们的方法中，人口由在城市外范围内移动的通勤者和仅在较小城市范围内相互作用的非通勤者的总和给出。基于动力学方程的大空间尺度上通勤人口的交通动态与城市尺度上非通勤者的扩散模型相结合。由于合适的比例限制，用于描述给定城市区域内通勤者动态的动力学交通模型与表征非通勤者运动的扩散方程相吻合。由于疫情早期报告数据的高度不确定性，模型中包含了初始数据和疫情参数中随机输入的存在。设计了一种稳健的数值方法来处理多尺度的存在和不确定性量化过程。在我们的模拟中，我们考虑了一个现实的地理域，描述了伦巴第大区，其中城市的规模、受感染的人数、从一个城市到另一个城市的平均每日通勤人数以及流行病方面都被考虑在内通过基于实际可用数据校准模型参数来计算。结果表明，该模型能够正确描述意大利北部第一波 COVID-19 空间扩张的主要特征。

单纯复形上的信号处理

原文标题： Signal processing on simplicial complexes

地址： http://arxiv.org/abs/2106.07471

作者： Michael T. Schaub, Jean-Baptiste Seby, Florian Frantzen, T. Mitchell Roddenberry, Yu Zhu, Santiago Segarra

摘要： 到目前为止，高阶网络主要是在研究复杂系统结构的背景下考虑的，即连接组成实体的高阶或多向关系。最近，许多研究已经考虑了动态过程，这些过程明确地考虑了这种高阶依赖关系，例如，在流行病传播过程或意见形成的背景下。在本章中，我们关注密切相关但又截然不同的第三个视角：我们如何使用高阶关系来处理高阶网络结构支持的信号和数据。特别是，我们调查了来自常规域（例如时间序列或图像）支持的数据的信号处理的想法如何扩展到图和单纯复形。我们通过基于单纯复数的神经网络讨论傅立叶分析、信号去噪、信号插值和非线性处理。我们开发的关键是霍奇拉普拉斯矩阵，这是一种多关系算子，它利用了单纯复形的特殊结构，并在图信号处理中概括了拉普拉斯矩阵的理想属性。

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。