• CogDL：图深度学习工具包;
• SNAC：一种评估拓扑识别网络对齐能力的无偏度量;
• Structack：对图神经网络的基于结构的对抗性攻击;
• 网络SIR疾病模型上临时链接停用的流行病状况;
• 呼吁建立一个报告地球以外生命证据的框架;

CogDL：图深度学习工具包

原文标题： CogDL: Toolkit for Deep Learning on Graphs

地址： http://arxiv.org/abs/2103.00959

作者： Yukuo Cen, Zhenyu Hou, Yan Wang, Qibin Chen, Yizhen Luo, Xingcheng Yao, Aohan Zeng, Shiguang Guo, Yang Yang, Peng Zhang, Guohao Dai, Yu Wang, Chang Zhou, Hongxia Yang, Jie Tang

摘要： 近年来，图的深度学习引起了图学习社区的极大关注。它已广泛应用于社会网络分析和推荐系统等几个现实世界的应用中。在本文中，我们介绍了 CogDL，这是一个用于图深度学习的广泛工具包，可让研究人员和开发人员轻松进行实验和构建应用程序。它为图域中最重要的任务提供标准训练和评估，包括节点分类、图分类等。对于每个任务，它提供最先进模型的实现。我们工具包中的模型分为两个主要部分，图嵌入方法和图神经网络。大多数图嵌入方法以无监督的方式学习节点级或图级表示并保留图属性，例如结构信息，而图神经网络刻画节点特征并在半监督或自监督设置中工作。在我们的工具包中实现的所有模型都可以轻松再现排行榜结果。 CogDL 中的大多数模型都是在 PyTorch 之上开发的，用户可以利用 PyTorch 的优势来实现自己的模型。此外，我们展示了 CogDL 在大型学术挖掘系统 AMiner 中实际应用的有效性。

SNAC：一种评估拓扑识别网络对齐能力的无偏度量

原文标题： SNAC: An Unbiased Metric Evaluating Topology Recognize Ability of Network Alignment

地址： http://arxiv.org/abs/2107.11084

作者： Hailong Li, Naiyue Chen

摘要： 网络对齐是寻找相似网络之间的节点映射的问题。它链接来自不同来源的数据，并在生物信息和社会网络领域得到广泛研究。网络对齐和精确图匹配之间的关键区别在于网络对齐考虑了具有容错性的非同构图中的节点映射。研究人员通常使用 AC（准确度）来衡量网络对齐的性能，将每个输出元素与基准直接进行比较。然而，这个度量忽略了一些节点即使在单个图中也自然无法区分（例如，节点具有相同的邻居）并且不需要在图之间进行区分。这种忽视会导致对模型的低估。我们提出了一个无偏的网络对齐度量，它考虑了不可区分的节点来解决这个问题。我们在合成数据集和真实数据集上使用不同尺度的详细实验表明，所提出的度量标准正确地反映了结果映射与基准映射的偏差，就像标准度量标准 AC 所做的那样。与 AC 相比，所提出的度量有效地阻止了不可区分节点的影响，并在增加不可区分节点的情况下保持稳定性。

Structack：对图神经网络的基于结构的对抗性攻击

原文标题： Structack: Structure-based Adversarial Attacks on Graph Neural Networks

地址： http://arxiv.org/abs/2107.11327

作者： Hussain Hussain, Tomislav Duricic, Elisabeth Lex, Denis Helic, Markus Strohmaier, Roman Kern

摘要： 最近的工作表明，图神经网络 (GNN) 容易受到对图数据的对抗性攻击。常见的攻击方法通常是知情的，即它们可以访问有关节点属性的信息，例如标签和特征向量。在这项工作中，我们研究了不知情的对抗性攻击，其中攻击者只能访问图结构，但没有关于节点属性的信息。在这里，攻击者旨在利用 GNN 模型对图数据做出的结构知识和假设。特别是，文献表明结构节点中心性和相似性对使用 GNN 进行学习有很大影响。因此，我们研究了中心性和相似性对 GNN 对抗性攻击的影响。我们证明攻击者可以通过专注于在低相似性和令人惊讶的低中心性的节点之间注入链接来利用这些信息来降低 GNN 的性能。我们表明，基于结构的无信息攻击可以接近有信息攻击的性能，同时在计算上更有效。在我们的论文中，我们提出了一种新的 GNN 攻击策略，我们称之为 Structack。 Structack 可以在严格的计算约束下运行时，以非常有限的信息成功操纵 GNN 的性能。我们的工作有助于在图上构建更强大的机器学习方法。

网络SIR疾病模型上临时链接停用的流行病状况

原文标题： Epidemic Conditions with Temporary Link Deactivation on a Network SIR Disease Model

地址： http://arxiv.org/abs/2107.10940

作者： Hannah Scanlon, John Gemmer

摘要： 传染病的传播取决于疾病的内在特性以及人口的连通性和行动。本研究调查了 SIR 类型模型的动态，该模型解释了人类避免感染的倾向，同时也保持预先存在的人际关系。具体来说，我们使用一个网络模型，其中个人概率性地停用与受感染个人的连接，然后在恢复后重新连接到相同的个人。为了分析这个网络模型，开发了一个由十四个常微分方程组成的系统的平均场近似，用于节点和边的数量。该方程组使用三重连接数的矩闭合近似来闭合。通过对微分方程的分析表明，除了感染力和恢复率之外，去活边的概率和底层网络的平均节点度也决定了是否发生了流行病。

呼吁建立一个报告地球以外生命证据的框架

原文标题： Call for a Framework for Reporting Evidence for Life Beyond Earth

地址： http://arxiv.org/abs/2107.10975

作者： James Green, Tori Hoehler, Marc Neveu, Shawn Domagal-Goldman, Daniella Scalice, Mary Voytek

摘要： 我们这一代人实际上可以成为发现地球以外生命证据的一代。伴随着这种特权潜力而来的是责任。问题的重要性，“我们是孤独的吗？”，以及其中的公众利益，使得结果可能意味着比观察支持或观察者预期的更多。随着生命探测目标在空间科学中变得越来越突出，就如何在多样化、复杂且极有可能引起轰动的主题中传达信息，开展社区对话至关重要。建立生命检测交流的最佳实践有助于在一项极具挑战性的努力的早期阶段设定合理的期望，重视沿途的渐进步骤，并通过明确“错误的开始”和“死胡同”建立公众信任是科学过程中预期的和潜在的生产部分。在这里，我们努力以基本考虑因素来激发和促进讨论，​​并提供一个示例，说明如何将这些考虑因素纳入和应用到概念验证级别的框架中。这里提到的所有内容，包括信心量表的名称，都不是作为处方，而只是作为重要对话的开始。

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。