• 多层网络中的图元;
• Fea2Fea：通过图神经网络探索结构特征相关性;
• TwiBot-20：全面的Twitter机器人检测基准;
• SATAR：推特账号表征学习的自监督方法及其在机器人检测中的应用;
• BotRGCN：使用关系图卷积网络进行Twitter机器人检测;
• 地理标记社交媒体上的实时时空事件检测;
• 非对称耦合优化互连共识系统;
• 玻尔兹曼的现实概念;

多层网络中的图元

原文标题： Graphlets in multilayer networks

地址： http://arxiv.org/abs/2106.13011

作者： Sallamari Sallmen, Tarmo Nurmi, Mikko Kivelä

摘要： 将各种网络数据表示为多重网络、网络网络和其他多层网络，可以揭示这些系统中全新的结构类型。我们为多层网络引入了一种通用的、有原则的图谱框架，它允许将任何多层网络分解成小的多层构建块。这些多层图既可以自己分析，也可以用于执行诸如比较不同系统之类的任务。该方法在多层同构、自同构轨道定义、多层网络类型等方面具有灵活性。我们说明了我们的多重网络方法，并展示了如何以无监督的方式使用它来区分由多个模型生成的网络。此外，我们还包括一种自动生成轨道计数之间数百个依赖方程的方法，以消除冗余轨道计数。这里介绍的框架允许人们分析具有通用语义的多层网络，因此这些方法可用于分析无数多层网络的结构构建块。

Fea2Fea：通过图神经网络探索结构特征相关性

原文标题： Fea2Fea: Exploring Structural Feature Correlations via Graph Neural Networks

地址： http://arxiv.org/abs/2106.13061

作者： Jiaqing Xie, Rex Ying

摘要： 结构特征是图数据集中的重要特征。然而，虽然有一些基于协方差的特征相关性分析，但没有相关研究利用基于图神经网络的模型探索图的结构特征相关性。在本文中，我们将图特征引入低维空间中的特征（Fea2Fea）预测管道，以探索基于图神经网络的结构特征相关性的一些初步结果。结果表明，一些结构特征之间存在高度相关性。通过图神经网络过滤的具有初始节点特征的冗余特征组合提高了其在某些图数据集中的分类精度。我们比较了连接特征之间嵌入的连接方法之间的差异，并表明最简单的就是最好的。我们对合成几何图进行了概括，并证明了两个结构特征之间预测难度的结果。

TwiBot-20：全面的Twitter机器人检测基准

原文标题： TwiBot-20: A Comprehensive Twitter Bot Detection Benchmark

地址： http://arxiv.org/abs/2106.13088

作者： Shangbin Feng, Herun Wan, Ningnan Wang, Jundong Li, Minnan Luo

摘要： 自 2006 年推出以来，Twitter 已成为蓬勃发展的社交媒体平台之一，而对 Twitter 机器人的投诉也在不断增加。从那时起，许多努力都致力于 Twitter 机器人检测任务和相关数据集的创建。然而，现有的基准通常存在用户多样性低、用户信息有限和数据稀缺的问题。因此，这些数据集不足以训练和稳定地对机器人检测措施进行基准测试。为了缓解这些问题，我们提出了 TwiBot-20，这是一个大型 Twitter 机器人检测基准，它包含 229,573 个用户、33,488,192 条推文、8,723,736 个用户属性项和 455,958 个关注关系。 TwiBot-20 涵盖了多样化的机器人和真正的用户，以更好地代表现实世界的 Twittersphere。 TwiBot-20 还包括三种用户信息模式，以支持单个用户的二元分类和社区感知方法。据我们所知，TwiBot-20 是迄今为止最大的 Twitter 机器人检测基准。我们重现了有竞争力的机器人检测方法，并对 TwiBot-20 和其他两个公共数据集进行了全面评估。实验结果表明，现有的机器人检测措施无法与他们之前声称的在 TwiBot-20 上的性能相匹配，这表明 Twitter 机器人检测仍然是一项具有挑战性的任务，需要进一步的研究工作。

SATAR：推特账号表征学习的自监督方法及其在机器人检测中的应用

原文标题： SATAR: A Self-supervised Approach to Twitter Account Representation Learning and its Application in Bot Detection

地址： http://arxiv.org/abs/2106.13089

作者： Shangbin Feng, Herun Wan, Ningnan Wang, Jundong Li, Minnan Luo

摘要： 自 2006 年推出以来，Twitter 已成为一个主要的社交媒体平台，而最近对机器人帐户的投诉有所增加。尽管已经进行了广泛的研究，但最先进的机器人检测方法缺乏普遍性和适应性。具体而言，以前的机器人检测器仅利用一小部分用户信息，并且通常在仅涵盖少数机器人类型的数据集上进行训练。结果，他们无法推广到 Twittersphere 上不同类型的机器人共存的真实场景。此外，Twitter 中的机器人不断演化以逃避检测。以前的努力虽然在其上下文中曾经有效，但未能适应新一代 Twitter 机器人。为理解决 Twitter 机器人检测的两个挑战，我们提出了 SATAR，一种 Twitter 用户的自监督表示学习框架，并将其应用于机器人检测任务。特别是，SATAR 通过联合利用特定用户的语义、属性和邻域信息进行泛化。同时，SATAR 通过对大量自监督用户进行预训练并在详细的机器人检测场景中进行微调来适应。大量实验表明，SATAR 在不同信息完整性和收集时间的不同机器人检测数据集上的表现优于竞争基准。 SATAR 还被证明可以在现实世界中进行泛化，并适应不断发展的几代社交媒体机器人。

BotRGCN：使用关系图卷积网络进行Twitter机器人检测

原文标题： BotRGCN: Twitter Bot Detection with Relational Graph Convolutional Networks

地址： http://arxiv.org/abs/2106.13092

作者： Shangbin Feng, Herun Wan, Ningnan Wang, Minnan Luo

摘要： 由自动化程序（也称为机器人）操作的 Twitter 用户最近增加了他们的外观并引发了不良的社会影响。虽然广泛的研究工作致力于 Twitter 机器人检测任务，但以前的方法仅利用一小部分用户语义和个人资料信息，这导致它们无法识别利用多模式用户信息伪装成真正用户的机器人。除此之外，最先进的机器人检测器无法利用用户关注关系及其形成的图结构。因此，这些方法无法捕捉到新一代的 Twitter 机器人，这些机器人成群结队地行动并且看起来是真实的。为理解决 Twitter bot 检测的这两个挑战，我们提出了 BotRGCN，它是 Bot detection with Relational Graph Convolutional Networks 的缩写。 BotRGCN 通过从关注关系构建异构图并将关系图卷积网络应用于 Twittersphere 来解决社区的挑战。除此之外，BotRGCN利用多模态用户语义和属性信息来避免特征工程并增强其捕捉具有多样化伪装的机器人的能力。大量实验表明，在提供跟随关系的综合基准 TwiBot-20 上，BotRGCN 的表现优于竞争基准。 BotRGCN 还被证明可以有效地利用三种用户信息模态，即语义、属性和邻域信息，以提高机器人检测性能。

地理标记社交媒体上的实时时空事件检测

原文标题： Real-time Spatio-temporal Event Detection on Geotagged Social Media

地址： http://arxiv.org/abs/2106.13121

作者： Yasmeen George, Shanika Karunasekera, Aaron Harwood, Kwan Hui Lim

摘要： 挖掘社交媒体数据流的一个关键挑战是识别特定本地或全球区域的一群人积极讨论的事件。此类事件对于事故、抗议、选举或突发新闻的预警非常有用。然而，事件列表和事件时间和空间的分辨率都不是固定的或事先已知的。在这项工作中，我们提出了一种使用社交媒体的在线时空事件检测系统，该系统能够检测不同时间和空间分辨率的事件。首先，为理解决与事件的未知空间分辨率相关的挑战，利用四叉树方法根据社交媒体数据的密度将地理空间划分为多尺度区域。然后，执行一种统计无监督方法，该方法涉及泊松分布和用于突出显示具有意外社交帖子密度的区域的平滑方法。此外，通过合并同一区域以连续时间间隔发生的事件来精确估计事件持续时间。引入了后处理阶段来过滤掉垃圾邮件、虚假或错误的事件。最后，我们通过使用社交媒体实体来结合简单的语义来评估检测到的事件的完整性和准确性。所提出的方法使用不同的社交媒体数据集进行评估：不同城市的 Twitter 和 Flickr：墨尔本、伦敦、巴黎和纽约。为了验证所提出方法的有效性，我们将我们的结果与基于地理空间固定分割和聚类方法的两种基线算法进行了比较。对于性能评估，我们手动计算召回率和准确率。我们还提出了一种名为强度指数的新质量度量，它可以自动衡量报告事件的准确程度。

非对称耦合优化互连共识系统

原文标题： Asymmetric Coupling Optimizes Interconnected Consensus Systems

地址： http://arxiv.org/abs/2106.13127

作者： Zhao Song, Dane Taylor

摘要： 网络通常与一个系统相互连接，对另一个系统产生更大的影响，但我们缺乏关于这种不对称如何影响集体动态的基本见解。这对于 AI 主体支持的社会网络中的群体决策尤为重要，我们将其建模为耦合共识系统。我们表明，耦合不对称可以单调地增加/减少共识的收敛速度 textRe(lambda_2) 或产生不同类型的最优解，最大程度地加速共识。对于较快和较慢系统的耦合，我们确定了一个分歧：如果它们的时间尺度非常不同，那么最佳不对称性涉及较快的系统“支配”较慢的系统；否则，它们会以中等程度的不对称性进行优化，并且不太清楚哪个系统应该更有影响力。我们的研究结果更广泛地支持人与人工智能决策系统和非对称耦合网络的设计。

玻尔兹曼的现实概念

原文标题： Boltzmann’s Concept of Reality

地址： http://arxiv.org/abs/physics/0701308

作者： Marcelo B. Ribeiro (1), Antonio A. P. Videira (2) ((1) Physics Institute, Universidade Federal do Rio de Janeiro - UFRJ, Brazil, (2) Department of Philosophy, Universidade do Estado do Rio de Janeiro - UERJ, Brazil)

摘要： 在本文中，我们描述和分析了奥地利理论物理学家路德维希·玻尔兹曼 (Ludwig Boltzmann) 提出的实在概念。我们的论点是玻尔兹曼完全意识到现实可以并且实际上可以用不同的观点来描述。尽管如此，玻尔兹曼并没有放弃现实是真实的想法。我们还讨论了他强烈参与科学哲学的主要动机，以及玻尔兹曼本人对其主要哲学思想的进一步发展，即作为自然及其后果的图像的科学理论。我们以讨论玻尔兹曼科学哲学的现代性结束论文。

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。