• 网络社区结构和对局部损伤的恢复能力：在脑微循环中的应用;
• 图组件的特征向量中心性和均一占优特征值;
• Twitter上疫苗接种讨论中的外部内容分析;
• 使用持久同源性分析时空异常：使用 COVID-19 数据进行案例研究;
• 偏离多数：局部翻转模型;
• 使用非常深的GNN和自监督的大规模图表示学习;
• 图中的节点排名;
• 在有向网络中实现结构可控性和可预测性;
• 使用Twitter预测2020年美国总统大选;

网络社区结构和对局部损伤的恢复能力：在脑微循环中的应用

原文标题： Network community structure and resilience to localized damage: application to brain microcirculation

地址： http://arxiv.org/abs/2103.08587

作者： Florian Goirand, Bertrand Georgeot, Olivier Giraud, Sylvie Lorthois

摘要： 在脑血管网络中，一些顶点彼此之间的连接比与脉管系统的其余部分更紧密，从而定义了一个社区结构。在这里，我们介绍了一类通过重新连接随机正则图构建的模型网络，它能够重现脑血管网络的这种社区结构和其他拓扑特性。我们使用这些模型网络来研究由去除单个边引起的全局流量减少。我们分析表明，这种全局流量减少可以表示为移除边的初始流量和拓扑量的函数，这两者都显示遵循柯西定律的概率分布，即具有大尾部。因此，我们表明血流量减少的分布受到社区结构的强烈影响。特别是，当群落结构更强时，大流量减少的可能性会大大增加，从而削弱了网络对单个毛细血管闭塞的弹性。我们在阿尔茨海默病的背景下讨论这些发现的意义，其中血管机制的重要性，包括毛细血管闭塞，开始被发现。

图组件的特征向量中心性和均一占优特征值

原文标题： Eigenvector Centrality and Uniform Dominant Eigenvalue of Graph Components

地址： http://arxiv.org/abs/2107.09137

作者： Collins Anguzua, Christopher Engströmb, John Mango Magero, Henry Kasumbaa, Sergei Silvestrov, Benard Abola

摘要： 特征向量中心性是图论中衡量中心趋势的重要指标之一。在本文中，我们考虑计算划分为组件的图的特征向量中心性的问题以及如何使用这种划分。考虑两种情况；首先，图中的单个组件具有主要特征值，其次，当至少有两个组件共享图的主要特征值时。在第一种情况下，我们实施该方法并将其与计算特征向量中心性的常用方法（幂法）进行比较，而在第二种情况下，使用共享的主导特征值，我们展示了一些理论和数值结果。关键词：特征向量中心性，幂迭代，图，强连通分量。

Twitter上疫苗接种讨论中的外部内容分析

原文标题： Analysis of External Content in the Vaccination Discussion on Twitter

地址： http://arxiv.org/abs/2107.09183

作者： Richard Kuzma, Iain J. Cruickshank, Kathleen M. Carley

摘要： 冠状病毒和反疫苗阴谋在网上的传播阻碍了公共卫生对大流行的反应。我们检查了 2020 年 2 月至 2020 年 6 月在 Twitter 上共享的外部文章的内容，以理解阴谋论和假新闻如何与合法信息来源竞争。检查外部内容——文章，而不是社交媒体帖子——是一种新颖的方法，它允许对错误信息进行非社交媒体特定分析，跟踪随时间变化的叙述，并确定哪些类型的资源（政府、新闻、科学、或可疑）在大流行疫苗对话中占主导地位。我们发现出现了不同的叙述，这些叙述随着时间的推移而变化，缺乏关于冠状病毒的政府和科学信息造成了传统新闻和阴谋论所填补的信息真空。

使用持久同源性分析时空异常：使用 COVID-19 数据进行案例研究

原文标题： Analysis of Spatiotemporal Anomalies Using Persistent Homology: Case Studies with COVID-19 Data

地址： http://arxiv.org/abs/2107.09188

作者： Abigail Hickok, Deanna Needell, Mason A. Porter

摘要： 我们开发了一种使用拓扑数据分析 (TDA) 分析地理空间数据中时空异常的方法。为此，我们使用了持久同源性 (PH)，这是 TDA 的一种工具，它允许通过算法检测数据集中的几何空隙并量化这些空隙的持久性。我们构建了一个有效的过滤单纯复形（FSC），使得我们 FSC 中的空隙与异常一一对应。我们的方法不仅仅是识别异常；它还对有关异常之间关系的信息进行编码。我们使用葡萄园，人们可以将其解释为随时间变化的持久性图（一种可视化 PH 的方法），来跟踪异常位置如何随时间变化。我们使用空间异构的 COVID-19 数据进行了两个案例研究。首先，我们按邮政编码检查纽约市的疫苗接种率。其次，我们研究了洛杉矶市社区为期一年的 COVID-19 病例率数据集。

偏离多数：局部翻转模型

原文标题： Deviations from the Majority: A Local Flip Model

地址： http://arxiv.org/abs/2107.09344

作者： Gabor Toth, Serge Galam

摘要： 我们使用 Galam 模型的扩展来研究局部扭曲对多数规则对意见动态的影响。在意见的局部更新的每次迭代中，新模型将局部翻转与局部多数的不同概率解释为讨论组内多数/少数比率的函数。根据这些概率，该模型展示了各种各样的模式，其中包括驱动动态的景观拓扑中的新特征。特别是，我们发现了吸引子和临界点之间的丰富相互作用以及单调和交替动态。详细研究了组大小 3 和 5 的情况，我们发现了以大小为 5 的三个吸引子之间竞争为特征的机制。还分析了更大的组。局部翻转模型也适用于自下而上的分层投票的研究，其中每个组根据组中的局部多数选出下一个更高级别的代表。局部翻转对应于决定投票反对其选举组的选择的代表，即“不忠的选举人”。研究结果揭示了由一个人反对当地多数人引发的一系列社会现象。

使用非常深的GNN和自监督的大规模图表示学习

原文标题： Large-scale graph representation learning with very deep GNNs and self-supervision

地址： http://arxiv.org/abs/2107.09422

作者： Ravichandra Addanki, Peter W. Battaglia, David Budden, Andreea Deac, Jonathan Godwin, Thomas Keck, Wai Lok Sibon Li, Alvaro Sanchez-Gonzalez, Jacklynn Stott, Shantanu Thakoor, Petar Veličković

摘要： 有效且高效地大规模部署图神经网络 (GNN) 仍然是图表示学习中最具挑战性的方面之一。许多强大的解决方案仅在相对较小的数据集上得到验证，通常会产生与直觉相反的结果——这一障碍已被开放图基准大规模挑战 (OGB-LSC) 打破。我们使用两个大规模 GNN 进入 OGB-LSC：一个由自举驱动的深度转导节点分类器，以及一个由去噪目标正则化的非常深（最多 50 层）的归纳图回归器。我们的模型在 MAG240M 和 PCQM4M 基准测试中均获得了奖项级（前 3 名）的性能。在这样做的过程中，我们展示了可扩展的自监督图表示学习的证据，以及非常深的 GNN 的实用性——这两个都是非常重要的开放性问题。我们的代码可在以下网址公开获取：https://github.com/deepmind/deepmind-research/tree/master/ogb_lsc。

图中的节点排名

原文标题： On node ranking in graphs

地址： http://arxiv.org/abs/2107.09487

作者： Ekaterina Dudkina, Michelangelo Bin, Jane Breen, Emanuele Crisostomi, Pietro Ferraro, Steve Kirkland, Jakub Marecek, Roderick Murray-Smith, Thomas Parisini, Lewi Stone, Serife Yilmaz, Robert Shorten

摘要： 根据节点的“重要性”对网络中的节点进行排名是一个经典问题，在过去的几十年里引起了不同科学界的兴趣。当前的 COVID-19 大流行最近重新引起了对这个问题的兴趣，因为它关系到选择哪些人应该在无症状人群中进行检测，或者哪些人应该先接种疫苗。受 COVID-19 传播动态的启发，在本文中，我们回顾了无向未加权图中最流行的节点排名方法，并比较了它们在基准现实网络中的性能，该网络考虑了基于社区的社会结构。此外，我们概括了 Newman 最初提出的用于对未加权图中的节点进行排名的经典基准网络，以显示加权情况下排名如何变化。

在有向网络中实现结构可控性和可预测性

原文标题： Toward Structural Controllability and Predictability in Directed Networks

地址： http://arxiv.org/abs/2107.09639

作者： Fei Jing, Chuang Liu, Yi-Cheng Zhang, Jian-Liang Wu, Zi-Ke Zhang

摘要： 缺乏对有向网络复杂组织的研究通常限制了对网络结构和功能之间潜在关系的理解。结构可控性和结构可预测性这两个看似无关的主题，在本文中揭示，它们都高度依赖于以前认为只能影响可控有向网络中驱动节点数量的关键环节。在这里，我们表明关键链接不仅可以促进结构可控性，而且还可以对网络的结构可预测性产生重大影响，表明有向网络中结构互惠的普遍模式。此外，还表明关键环节的分数和位置对预测算法的性能有很大影响。此外，通过引入基于相应折线图的链接中心性来解释这些经验结果。这项工作弥合了两个独立研究领域之间的差距，并从微观角度提供了开发先进控制策略和预测算法的迹象。

使用Twitter预测2020年美国总统大选

原文标题： Predicting the 2020 US Presidential Election with Twitter

地址： http://arxiv.org/abs/2107.09640

作者： Michael Caballero

摘要： 使用社交媒体数据进行民意调查的一个主要子领域是选举预测。利用社交媒体数据进行的选举预测可能会显著影响竞选策略，补充传统的投票方法并提供更便宜的实时投票。首先，本文探讨了过去使用 Twitter 数据对 2020 年美国总统大选进行分析和预测的研究中的成功方法。然后，这项研究提出了一种新的选举预测方法，该方法将来自推文文本的 NLP 的情绪和结构数据与聚合投票、时间序列分析相结合，并特别关注对选举至关重要的 Twitter 用户。尽管这种方法的表现比其基线投票预测差，但由于数据稀缺，这是否是预测选举的准确方法尚无定论。需要更多的研究和更多的数据来准确衡量这种方法的整体有效性。

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。