• 训练1000层的图神经网络;
• CoANE：为属性网络嵌入建模上下文共现;
• DeepInsight：可解释性辅助检测图上的对抗样本;
• 假新闻的流行和传播;
• 无向网络的吸引-排斥分解;
• 完整和部分网络数据的谱拟合优度测试;
• 网络科学、同质性和Linux内核中的评审关系;
• 从社交媒体中提取真实的社交互动：墨西哥 COVID-19 政策辩论;
• 日本 COVID-19 有争议的子主题回顾性分析;
• 使用二氧化碳测量值对室内外 SARS-CoV-2 长距离和短距离空气传播的风险评估;

训练1000层的图神经网络

原文标题： Training Graph Neural Networks with 1000 Layers

地址： http://arxiv.org/abs/2106.07476

作者： Guohao Li, Matthias Müller, Bernard Ghanem, Vladlen Koltun

摘要： 深度图神经网络 (GNN) 在具有数百万个节点和边的越来越大的图数据集上的各种任务上取得了优异的成绩。然而，由于节点、边和中间激活的数量巨大，在为实际应用训练深度 GNN 时，内存复杂性已成为主要障碍。为了提高 GNN 的可扩展性，先前的工作提出了智能图采样或分区策略，以训练具有较小节点或子图集的 GNN。在这项工作中，我们研究了可逆连接、组卷积、权重绑定和均衡模型，以提高 GNN 的内存和参数效率。我们发现可逆连接与深度网络架构相结合，可以训练过度参数化的 GNN，其在​​多个数据集上的性能显著优于现有方法。我们的模型 RevGNN-Deep（1001 层，每个层有 80 个通道）和 RevGNN-Wide（448 层，每个层有 224 个通道）都在单个商品 GPU 上进行了训练，并实现了 87.74 美元 pm 0.13 和 88.24 美元 pm 0.15 的 ROC-AUC 在 ogbn-proteins 数据集上。据我们所知，RevGNN-Deep 是文献中最深的一个数量级的 GNN。请访问我们的项目网站 https://www.deepgcns.org/arch/gnn1000 理解更多信息。

CoANE：为属性网络嵌入建模上下文共现

原文标题： CoANE: Modeling Context Co-occurrence for Attributed Network Embedding

地址： http://arxiv.org/abs/2106.09241

作者： I-Chung Hsieh, Cheng-Te Li

摘要： 属性网络嵌入（ANE）是学习低维向量，以便在嵌入空间中不仅可以保留网络结构，还可以保留节点属性。现有的 ANE 模型没有考虑图结构和属性之间的特定组合。虽然每个节点都有其结构特征，例如高度互连的邻居以及它们特定的属性分布模式，但每个节点的邻居不仅应该用多跳节点来描述，还应该考虑某些集群或社交圈。为了对这些信息进行建模，在本文中，我们提出了一种新的 ANE 模型，即上下文共现感知属性网络嵌入 (CoANE)。 CoANE 的基本思想是对每个节点所涉及的不同模式的上下文属性进行建模，并通过将每个属性视为一个通道来应用卷积机制对位置信息进行编码。上下文共现的学习可以捕捉到每个节点的潜在社交圈。为了更好地编码节点的结构和语义知识，我们设计了一个三向目标函数，包括正图似然、上下文负采样和属性重建。我们在链路预测、节点标签分类和节点聚类的任务中对五个真实数据集进行了实验。结果表明，CoANE 可以显著优于最先进的 ANE 模型。

DeepInsight：可解释性辅助检测图上的对抗样本

原文标题： DeepInsight: Interpretability Assisting Detection of Adversarial Samples on Graphs

地址： http://arxiv.org/abs/2106.09501

作者： Junhao Zhu, Yalu Shan, Jinhuan Wang, Shanqing Yu, Guanrong Chen, Qi Xuan

摘要： 随着人工智能的快速发展，人们提出了一系列机器学习算法，例如图神经网络，以促进网络分析或图数据挖掘。不幸的是，最近的研究表明，这种先进的方法可能会受到对抗性攻击，即当只有一小部分链接被故意更改时，它们可能会失去有效性。然而，在网络结构方面，对抗性节点和干净节点之间有什么区别，以及每种攻击方法的偏好是什么，我们知之甚少。在本文中，我们从理论上研究了三种著名的对抗性攻击方法，即 Nettack、Meta Attack 和 GradArgmax，并发现不同的攻击方法对改变网络结构有其特定的攻击偏好。这种攻击模式通过真实世界网络的实验结果得到进一步验证，即通常检测对抗样本的前 4 个最重要的网络属性足以解释每种攻击方法的偏好。基于这些发现，我们进一步利用网络属性来设计用于对抗样本检测和攻击方法识别的机器学习模型，实现了出色的性能。

假新闻的流行和传播

原文标题： Prevalence and Propagation of Fake News

地址： http://arxiv.org/abs/2106.09586

作者： Banafsheh Behzad, Bhavana Bheem, Daniela Elizondo, Deyana Marsh, Susan Martonosi

摘要： 近年来，学者们对不可靠的新闻或“假新闻”对我们的政治领域和整个民主的影响提出了担忧。例如，人们普遍认为社交媒体上假新闻的传播影响了全国选举的结果，包括 2016 年美国总统大选和 2020 年 COVID-19 大流行。是什么推动了假新闻在个人层面的传播，哪些干预措施可以有效降低传播率？我们的模型将偏见与文章的真实性分开，并检查这两个参数与读者自己的信念之间的关系。使用该模型，我们为社交媒体平台和个人社交媒体用户创建政策建议，以减少不真实或高度偏见新闻的传播。我们建议平台赞助公正的真实新闻，将事实核查工作重点放在带有轻微到中度偏见的新闻上，推荐跨政治领域的朋友建议，并向用户提供有关其订阅源政治一致性的报告。我们建议个人社交媒体用户查看与其政治偏见强烈一致的新闻，并阅读反对政治偏见的文章。

无向网络的吸引-排斥分解

原文标题： An Attract-Repel Decomposition of Undirected Networks

地址： http://arxiv.org/abs/2106.09671

作者： Alexander Peysakhovich, Leon Bottou

摘要： 点积潜在空间嵌入是无向图（例如社会网络、共现网络）中常见的表示学习形式。我们表明，此类模型在处理“不及物”情况时存在问题，其中 A 与 B 相关，B 与 C 相关，但 A 与 C 不相关。 这种情况发生在社会网络中，当异性相吸（异性）和共现当存在替代节点时的网络（例如百事可乐或可乐的存在，但很少同时存在，在其他类似的购买篮子中）。我们提出了一个简单的扩展，我们称之为吸引-排斥（AR）分解：一组相似节点吸引的潜在属性和另一组相似节点排斥的潜在属性。我们展示了真实社会网络中的 AR 分解，并表明它可用于测量潜在的同质性和异质性的数量。此外，它还可以应用于共现网络以发现团队中的角色并在食谱中找到可替代的成分。

完整和部分网络数据的谱拟合优度测试

原文标题： Spectral goodness-of-fit tests for complete and partial network data

地址： http://arxiv.org/abs/2106.09702

作者： Shane Lubold, Bolun Liu, Tyler H. McCormick

摘要： 网络描述了个体参与者之间通常很复杂的关系。在这项工作中，我们解决了如何确定参数模型（例如随机块模型或潜在空间模型）是否适合数据集并将外推到类似数据的问题。我们使用随机矩阵理论中的最新结果来推导出二元数据的一般拟合优度检验。我们展示了我们的方法，当应用于感兴趣的特定模型时，提供了一种直接、计算快速的方法来选择许多常用网络模型中的参数。例如，我们展示了如何在潜在空间模型中选择潜在空间的维度。与其他网络拟合优度方法不同，我们的通用方法不需要从候选参数模型中进行模拟，这对于大图来说可能很麻烦，并且无需在图上选择一组特定的统计数据进行比较。它还允许我们对部分网络数据（例如聚合关系数据）执行拟合优度测试。我们通过模拟表明我们的方法在许多感兴趣的情况下表现良好。我们分析了几个经验相关的网络，并表明我们的方法可以改进社区检测算法。 Github 上提供了实现我们方法的 R 代码。

网络科学、同质性和Linux内核中的评审关系

原文标题： Network Science, Homophily and Who Reviews Who in the Linux Kernel?

地址： http://arxiv.org/abs/2106.09329

作者： José Apolinário Teixeira, Ville Leppänen, Sami Hyrynsalmi

摘要： 在这项研究中，我们利用网络理论和网络分析来调查 Linux 开发中的同行评审。我们构建了一个分析模型，该模型将同质性的社会学原理（即个人与相似他人建立关系的关系倾向）与先前对一般同行评审特别是开源软件的研究相结合。我们发现维护者审查其他维护者的同质倾向相对较强，但令人惊讶的是，在开发人员的组织隶属关系方面却没有类似的倾向。这些结果反映了表征 Linux 内核开发的规范、信念、价值观、流程、政策和社会等级制度。我们的结果强调了网络理论中生成机制解释同行评审网络演变的力量。关于从业者对 Linux 商业化趋势的关注，尽管公司的参与越来越多，但在同行评审中没有发现相关性偏见。

从社交媒体中提取真实的社交互动：墨西哥 COVID-19 政策辩论

原文标题： Extracting real social interactions from social media: a debate of COVID-19 policies in Mexico

地址： http://arxiv.org/abs/2106.09068

作者： Alberto García-Rodríguez, Tzipe Govezensky, Carlos Gershenson, Gerardo G. Naumis, Rafael A. Barrio

摘要： 介绍了社交媒体（在这种情况下为 Twitter）中朋友和敌人网络的动态形成的研究。我们将此类网络的单节点属性表征为聚类系数和度，以研究链接的结构。结果表明，该网络由三种节点组成：一种具有高聚类系数但度很小，第二组具有可变度的零聚类系数，最后是第三组，其中聚类系数作为函数度数作为幂律衰减。第三组代表 sim2% 的节点，是具有反馈的动态网络的特征。格子的这部分似乎代表了真实社会网络中强烈互动的朋友。

日本 COVID-19 有争议的子主题回顾性分析

原文标题： Retrospective Analysis of Controversial Subtopics on COVID-19 in Japan

地址： http://arxiv.org/abs/2106.09354

作者： Kunihiro Miyazaki, Takayuki Uchiba, Fujio Toriumi, Kenji Tanaka, Takeshi Sakaki

摘要： 为了在紧急情况下进行有效的政治决策，彻底认识和理解两极分化的话题至关重要。对社会而言，彻底两极分化的代价将是极高的；因此，最好在两极分化的问题变得严重之前确定它们。考虑到这一点，我们对 COVID-19 的两极分化子主题进行了回顾性分析，以获得对未来政策制定的见解。为此，我们首先提出了一个框架来全面搜索有争议的子主题。然后，我们使用提议的框架回顾性分析 COVID-19 的子主题，数据通过日本的 Twitter 获得。结果表明，所提出的框架可以有效地检测反映当前现实的有争议的子主题。有争议的子主题往往是关于政府、医疗、经济和教育；此外，争议分数与传统指标——子主题的规模和情绪——的相关性较低，这表明争议分数是一个潜在的重要指标。我们还讨论了引起高度争议的子主题与尽管规模很大但没有引起争议的子主题之间的区别。

使用二氧化碳测量值对室内外 SARS-CoV-2 长距离和短距离空气传播的风险评估

原文标题： Risk assessment for long and short range airborne transmission of SARS-CoV-2, indoors and outdoors, using carbon dioxide measurements

地址： http://arxiv.org/abs/2106.09489

作者： Florian Poydenot, Ismael Abdourahamane, Elsa Caplain, Samuel Der, Jacques Haiech, Antoine Jallon, Ines Khoutami, Amir Loucif, Emil Marinov, Bruno Andreotti

摘要： 对学校、办公室、大学报告厅、医院、博物馆、剧院或购物中心等公共场所的病毒传播风险进行定量分析，可以确定采取积极主动的卫生安全政策的有效杠杆，并评估传播的减少从而获得。 SARS-CoV-2在此类公共场所的流行传播的贡献可以在短期内降低到与流行下降相适应的水平，即总体流行繁殖率低于1。在这里，我们重新审视室内和室外传播风险的定量评估。我们表明远程气溶胶传输受新鲜空气流量和面罩过滤质量控制，并且与 CO2 浓度定量相关，而与房间体积和人数无关。使用在两个法国购物中心进行的专用色散实验，对短距离空中传输进行了实验研究。呼出的气溶胶通过锥体中的湍流气流分散，导致浓度与平方距离和流速成反比。我们表明，平均感染剂量，称为病毒量子，可以从流行病学和生物学实验数据中一致地确定。实际影响。结果提供了合理的卫生政策设计，通过加强通风、空气净化、风扇的机械分散和正确佩戴优质口罩（外科口罩，可能被织物口罩覆盖，或非口罩）来防止病毒传播的主要途径。医用 FFP2 口罩）。综合起来，这些措施通过定量评估显著降低了 SARS-CoV-2 的空气传播风险。

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。