• 道德和其他相关主体的博弈论模型（扩展摘要）;
• 关于集体记忆出现的推理;
• 混合动力和群体不平衡导致面对面互动中的程度不平等;
• 细粒度到粗粒度错误信息的分类：对 COVID-19 信息流行病的实证研究;
• 一种评估 COVID-19 疫苗犹豫影响的行为建模方法;
• 使用用户档案和发布模式跨社交网站识别用户;
• HDMI：高阶深度多路Infomax;
• NetFense：针对图数据的神经网络隐私攻击的对抗性防御;

道德和其他相关主体的博弈论模型（扩展摘要）

原文标题： Game-Theoretic Models of Moral and Other-Regarding Agents (extended abstract)

地址： http://arxiv.org/abs/2106.11503

作者： Gabriel Istrate (West University of Timisoara, Romania)

摘要： 我们研究了有限范式博弈中的康德均衡，这是最近在经济学文献中提出的一类非纳什式、道德动机的行动方案。我们强调了这种平衡的许多问题，包括计算的难处理性、协调不当的高昂代价以及对一般范式博弈的有问题扩展。我们基于程序均衡的概念给出了这样的概括，并指出实际相关的概括可能不存在。为理解决这个问题，我们提出了一些一般的、直观的、计算上易于处理的、与其他相关的均衡，它们是康德均衡的特殊情况，以及一类在纯粹利己行为和康德行为之间插值的行为过程。

关于集体记忆出现的推理

原文标题： Reasoning about Emergence of Collective Memory

地址： http://arxiv.org/abs/2106.11505

作者： R. Ramanujam (Institute of Mathematical Sciences, Chennai)

摘要： 我们提供了一个关于集体记忆如何形成的非常简单的模型。主体在社区内不断发出信号，并且根据支持每个信号的数量，某些信号在该社区中“获胜”。通过主体在不同社区之间的互动，“影响”会传播，有时会出现集体信号。我们提出了一个逻辑，我们可以在其中对这种记忆的出现进行推理，并在该逻辑上提供初步的技术结果。

混合动力和群体不平衡导致面对面互动中的程度不平等

原文标题： Mixing dynamics and group imbalance lead to degree inequality in face-to-face interaction

地址： http://arxiv.org/abs/2106.11688

作者： Marcos Oliveira, Fariba Karimi, Maria Zens, Johann Schaible, Mathieu Génois, Markus Strohmaier

摘要： 揭示不平等是如何从人类互动中产生的，对于公正的社会来说是必不可少的。在这里，我们表明社会群体在面对面的情况下互动的方式可以导致程度不平等的出现。我们提出了一种将群体混合动态与个人偏好相结合的机制，该机制再现了在六个面对面交互经验数据集中发现的群体程度不平等。我们揭示了群体规模不平衡对程度不平等的影响，揭示了一个关键的少数群体规模，它从质量上改变了社交聚会。如果少数群体大于这个“临界质量”规模，它可以是一个联系良好、有凝聚力的群体；如果它更小，少数凝聚力会扩大程度不平等。最后，我们揭示了由于混合动态而导致的社会群体在学位排名中代表性不足的问题，并提出了一种减少这种偏见的方法。

细粒度到粗粒度错误信息的分类：对 COVID-19 信息流行病的实证研究

原文标题： Categorising Fine-to-Coarse Grained Misinformation: An Empirical Study of COVID-19 Infodemic

地址： http://arxiv.org/abs/2106.11702

作者： Ye Jiang, Xingyi Song, Carolina Scarton, Ahmet Aker, Kalina Bontcheva

摘要： 在社交媒体上传播的 COVID-19 错误信息已经引起了许多研究人员的注意。根据 Google Scholar 的数据，迄今为止已发表了大约 26000 项与 COVID-19 相关的错误信息研究。大多数这些研究侧重于 1) 检测和/或 2) 分析 COVID-19 相关错误信息的特征。然而，对与错误信息相关的社会行为的研究往往被忽视。在本文中，我们介绍了一个细粒度的带注释的错误信息推文数据集，包括社交行为注释（例如对错误信息的评论或问题）。该数据集不仅允许社会行为分析，而且适用于基于证据或非基于证据的错误信息分类任务。此外，我们在实验中引入了退出验证，并证明了当应用于现实世界中看不见的错误信息时，错误信息分类性能可能会有显著不同。

一种评估 COVID-19 疫苗犹豫影响的行为建模方法

原文标题： A behavioural modelling approach to assess the impact of COVID-19 vaccine hesitancy

地址： http://arxiv.org/abs/2106.11745

作者： Bruno Buonomo, Rossella Della Marca, Alberto d’Onofrio, Maria Groppi

摘要： 在本文中，我们介绍了一种描述 COVID-19 疾病在非强制性疫苗接种情况下传播的区室流行病模型。该模型考虑了对疫苗接种的犹豫和拒绝。为此，我们采用了信息索引，它模仿了个人不仅根据现在而且还根据过去有关疾病传播的信息来决定接种疫苗的想法。理论分析和模拟清楚地表明，自愿接种疫苗当然可以减少疾病的影响，但无法消除疾病。我们还展示了信息相关参数如何影响疾病的动态。尤其是在信息覆盖面大、记忆特征时间小的情况下，更好地抑制了对疫苗接种的犹豫和拒绝。最后，还研究了季节性的可能影响。

使用用户档案和发布模式跨社交网站识别用户

原文标题： User Identification across Social Networking Sites using User Profiles and Posting Patterns

地址： http://arxiv.org/abs/2106.11815

作者： Prashant Solanki, Kwan Hui Lim, Aaron Harwood

摘要： 随着在线社交网站 (OSN) 和移动设备的流行，人们越来越依赖各种 OSN 与家人和朋友保持联系，并将其用作信息来源。例如，用户可能将多个 OSN 用于不同的目的，例如使用 Flickr 与家人和朋友分享假期图片，以及使用 Twitter 发布关于他们想法的短消息。跨多个 OSN 识别同一用户是一项重要任务，因为这使我们能够理解不同 OSN 中用户的使用模式，在用户注册新 OSN 时提出建议，以及各种其他有用的应用程序。为理解决这个问题，我们提出了一种基于多层感知器的算法，使用各种类型的特征，即：（i）用户资料，如姓名、位置、描述； (ii) 用户生成内容的时间分布； (iii) 基于用户名、真实姓名和描述的嵌入。使用用户及其发布活动的 Twitter 和 Flickr 数据集，我们对这些特征如何影响两个 OSN 中用户识别的性能进行了实证研究，并根据不同的特征讨论了我们的主要发现。

HDMI：高阶深度多路Infomax

原文标题： HDMI: High-order Deep Multiplex Infomax

地址： http://arxiv.org/abs/2102.07810

作者： Baoyu Jing, Chanyoung Park, Hanghang Tong

摘要： 网络已被广泛用于表示学术网络和社会网络等对象之间的关系，因此网络的学习嵌入引起了大量研究关注。自监督网络表示学习旨在在没有外部监督的情况下提取节点嵌入。最近，最大化局部节点嵌入和全局摘要（例如 Deep Graph Infomax，或简称 DGI）之间的互信息在许多下游任务（例如节点分类）上显示出有希望的结果。但是，DGI 有两个主要限制。首先，DGI 只考虑了外在监督信号（即节点嵌入和全局摘要之间的互信息）而忽略了内在信号（即节点嵌入和节点属性之间的相互依赖）。其次，现实世界网络中的节点通常由具有不同关系的多条边连接，而DGI并没有充分探索节点之间的各种关系。为理解决上述问题，我们提出了一种新的框架，称为高阶深度多路 Infomax（HDMI），用于以自监督的方式学习在多路网络上嵌入的节点。更具体地说，我们首先通过高阶互信息设计了一个包含外在和内在互信息的联合监督信号，我们提出了一个高阶深度信息最大值（HDI）来优化提出的监督信号。然后我们提出了一个基于注意力的融合模块来结合来自多路网络不同层的节点嵌入。最后，我们在各种下游任务（例如无监督聚类和监督分类）上评估了提议的 HDMI。实验结果表明，HDMI 在这些任务上实现了最先进的性能。

NetFense：针对图数据的神经网络隐私攻击的对抗性防御

原文标题： NetFense: Adversarial Defenses against Privacy Attacks on Neural Networks for Graph Data

地址： http://arxiv.org/abs/2106.11865

作者： I-Chung Hsieh, Cheng-Te Li

摘要： 保护图数据节点隐私和攻击图神经网络 (GNN) 的最新进展备受关注。眼睛还没有将这两项基本任务结合在一起。想象一下，对手可以利用强大的 GNN 来推断用户在社会网络中的私人标签。我们如何在保持扰动图的效用的同时对抗性地防御此类隐私攻击？在这项工作中，我们提出了一项新的研究任务，即对抗基于 GNN 的隐私攻击的对抗性防御，并提出了一种基于图扰动的方法 NetFense，以实现目标。 NetFense 可以同时保持图数据不引人注目（即图结构变化有限），保持目标标签分类的预测置信度（即保留数据效用），并降低私有标签分类的预测置信度（即保护隐私）节点）。使用三个真实图数据对单目标和多目标扰动进行的实验表明，NetFense 的扰动图可以有效地保持目标标签分类的数据效用（即模型不可察觉性），并显著降低私有标签分类的预测置信度（即，隐私保护）。广泛的研究也带来了一些见解，例如 NetFense 的灵活性，在数据不可见性中保留本地邻域，以及对高度节点更好的隐私保护。

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。