• 随机几何图的改进重建;
• 金融市场和水与蒸汽之间的相变;
• 人们为什么参与小型在线社区？;
• 知识增强型多模态假新闻检测;
• 寻找NeMo：使用网络模体在银行网络中钓鱼;
• 超图中的有效流行病遏制策略;
• 学习最大化影响力;
• 协同演化传播模型中协同和竞争病原体的出现;
• COVID-19 疫苗和社交媒体：在 Twitter 上探索情绪和讨论;
• COVID-19 大流行期间饮食习惯和自以为是的生活方式的影响：以工科学生为例;
• 使用 Hawkes 过程模拟 Twitter 活动的图方法;

随机几何图的改进重建

原文标题： Improved Reconstruction of Random Geometric Graphs

地址： http://arxiv.org/abs/2107.14323

作者： Varsha Dani, Josep Díaz, Thomas P. Hayes, Cristopher Moore

摘要： 在地理或潜在空间中嵌入图，即推断欧几里得空间或平滑子流形中顶点的位置，是网络分析、统计推断和图可视化中的常见任务。我们考虑随机几何图的经典模型，其中 n 点均匀地分散在面积 n 的正方形中，并且当且仅当它们的欧几里德距离小于 r 时，两个点之间才有边。然后重建问题包括推断顶点位置，直到对称，仅给定结果图的邻接矩阵。我们给出了一个算法，如果 r=n^alpha for alpha > 0，以高概率重构顶点位置，最大误差为 O(n^beta) 其中 beta=1 /2-(⁴⁄₃)alpha，直到 alpha ge ³⁄₈ 其中 beta=0 并且误差变为 O(sqrtlog n)。这比早期的结果有所改善，早期的结果无法以小于 r 的错误进行重建。我们的方法使用基于共同邻居数量的图距离和短程估计的混合来估计欧几里德距离。我们草图证明我们的结果也适用于球体的表面，并且（具有稍微不同的指数）在任何固定维度上。

金融市场和水与蒸汽之间的相变

原文标题： Financial Markets and the Phase Transition between Water and Steam

地址： http://arxiv.org/abs/2107.03857

作者： Christof Schmidhuber

摘要： 受对趋势和逆转相互作用的经验观察的启发，提出了金融市场的格气模型。资产的份额由分布在隐藏的投资者社会网络中的气体分子建模。该模型等效于该网络上的 Ising 模型，其磁化强度表示资产价格与其价值的偏差。有人认为，该系统在有效市场中被驱动到其临界温度。在那里，它以通用临界指数为特征，类似于水和蒸汽之间的二阶相变。这些关键指数意味着对金融市场回报自相关的预测。对于简单的网络拓扑，与观察到的长期自相关的一致性意味着分形网络维数为 3.3，相关时间为 10 年。为理解释观察到的短期自相关，模型应该扩展到临界域之外，扩展到其他网络拓扑，以及其他临界动态模型。

人们为什么参与小型在线社区？

原文标题： Why do people participate in small online communities?

地址： http://arxiv.org/abs/2108.04282

作者： Sohyeon Hwang, Jeremy Foote

摘要： 在线社区的许多好处——例如获得新信息、机会和社会联系——随着规模的增加而增加。因此，“成功”的在线社区通常会唤起数十万用户的印象，从业者和研究人员都在寻求设计方法来实现增长，从而取得成功。另一方面，小型在线社区成群结队地存在，而且随着时间的推移，许多社区的规模仍然很小。转向由数十万个社区组成的非常受欢迎的讨论网站 Reddit，我们进行了一项定性访谈研究，研究人们如何以及为何参与这些持续存在的小社区，以理解为什么这些社区在流行方法出现时会存在。假设它们是失败的。本文从 20 次采访中得出以下几点贡献：我们描述了小型社区如何为参与者提供独特的信息和互动空间，参与者被社区的超具体方面所吸引；我们发现小社区不会促进牢固的二元人际关系，而是促进基于群体的认同；我们强调参与小型社区如何成为策划参与者在线体验的更广泛、持续战略的一部分。我们认为在线社区可以被视为嵌套的利基：嵌入式、复杂、共生的社会信息生态系统的一部分。我们建议社会计算研究可以从对不同规模的在线社区规模之间的相互依赖的更深思熟虑的考虑中受益。

知识增强型多模态假新闻检测

原文标题： Knowledge Enhanced Multi-modal Fake News Detection

地址： http://arxiv.org/abs/2108.04418

作者： Yi Han, Amila Silva, Ling Luo, Shanika Karunasekera, Christopher Leckie

摘要： 近年来，各种类型的假新闻造成了重大损失。尽管已经为解决这个问题付出了相当大的努力并且在检测假新闻方面取得了很大进展，但大多数现有方法主要依赖于文本内容和/或社会背景，而知识级信息——从新闻内容中提取的实体而他们之间的关系——很少被探索。在基于知识的假新闻检测的有限工作中，通常需要外部知识图，这可能会引入额外的问题：实体和关系，特别是关于新概念，在现有知识图中缺失是很常见的，实体预测和链路预测本身都是开放的研究问题。因此，在这项工作中，我们研究了textbf不需要任何外部知识图的基于知识的假新闻检测。具体而言，我们的贡献包括：（1）将检测假新闻的问题转化为子图分类任务—— -从每个新闻条目中提取实体和关系以形成单个知识图，其中一个新闻条目由一个子图表示。然后训练图神经网络 (GNN) 模型对每个子图/新闻项目进行分类。 (2) 通过结合提取的知识、文本内容和社会背景的简单而有效的多模态技术，进一步提高该模型的性能。在具有数千个标记新闻项目的多个数据集上进行的实验表明，我们基于知识的算法优于现有的对应方法，并且其性能可以通过多模态方法进一步提高。

寻找NeMo：使用网络模体在银行网络中钓鱼

原文标题： Finding NeMo: Fishing in banking networks using network motifs

地址： http://arxiv.org/abs/2108.04494

作者： Xavier Fontes, David Aparício, Maria Inês Silva, Beatriz Malveiro, João Tiago Ascensão, Pedro Bizarro

摘要： 银行欺诈给全球银行造成了数十亿美元的损失。在欺诈检测中，图有助于理解复杂的交易模式和发现新的欺诈方案。这项工作通过提取和分析其网络模体来探索现实世界交易数据集中的图模式。由于银行图是异构的，我们专注于异构网络主题。此外，我们提出了一种新颖的网络随机化过程，可生成有效的银行图。从我们的探索性分析中，我们得出结论，网络模体提取了有见地和可解释的模式。

超图中的有效流行病遏制策略

原文标题： Effective epidemic containment strategy in hypergraphs

地址： http://arxiv.org/abs/2108.04568

作者： Bukyoung Jhun

摘要： 最近，超图作为能够编码高阶交互的网络的泛化引起了研究界的极大兴趣，这些交互通常出现在自然和社会系统中。使用简单易感-感染-易感（s-SIS）模型研究了超图中的流行动态；然而，尽管该主题在数学流行病学中很重要，但并未研究超图中流行病的有效免疫策略。在这里，我们提出了一种免疫策略，以高同时感染概率 (SIP) 免疫超边。这个策略可以在一般的超图中实现。我们还概括了基于边流行重要性（EI）的免疫策略，这是复杂网络中的最新技术。然而，尽管它的计算成本很高，但它在超图中的表现不如基于 SIP 的方法。我们还表明，具有高 H 特征分数的免疫超边有效地包含了统一超图中的流行病。超边的高 SIP 表明超边是流行过程的“热点”。因此，SIP 可以用作中心性度量来量化超边对一般超图中高阶动力学的影响。免疫策略的有效性表明，为控制流行病制定科学的、数据驱动的、系统的政策的必要性。

学习最大化影响力

原文标题： Learning to Maximize Influence

地址： http://arxiv.org/abs/2108.04623

作者： George Panagopoulos, Nikolaos Tziortziotis, Fragkiskos D. Malliaros, Michalis Vazirgiannis

摘要： 随着用于组合优化的机器学习领域的进步，传统问题通过这种新视角重新浮出水面并得到重新解决。绝大多数文献都集中在小图问题上，而一些现实世界的问题则专注于大图。在这里，我们关注两个相关的问题：影响估计，一个#P-hard 计数问题，以及影响最大化，一个 NP-hard 问题。我们开发了 GLIE，这是一种图神经网络 (GNN)，它固有地参数化影响估计的上限，并在小型模拟图上对其进行训练。实验表明，对于比训练集大 10 倍的图，GLIE 可以比替代方案更快地提供准确的预测。更重要的是，它可以用于影响最大化的任意大图，因为即使在准确性下降时，预测也可以有效地对种子集进行排序。为了展示这一点，我们提出了一个标准的影响最大化 (IM) 算法版本，我们用 GLIE 的预测代替传统的影响估计。隐藏的表示和预测。最终结果表明，所提出的方法超越了之前的 GNN-RL 方法，并与最先进的 IM 算法相媲美。

协同演化传播模型中协同和竞争病原体的出现

原文标题： Emergence of synergistic and competitive pathogens in a co-evolutionary spreading model

地址： http://arxiv.org/abs/2108.04788

作者： Fakhteh Ghanbarnejad, Kai Seegers, Alessio Cardillo, Philipp Hövel

摘要： 病原体之间的合作和竞争可以改变受共同感染影响的个体数量。尽管如此，病原体行为的演变却被忽视了。在这里，我们考虑了一个共同演化模型，其中同时传播由两个病原体易感感染恢复模型以协同或竞争的方式描述。在每个流行季节结束时，病原体物种根据它们的适应性进行繁殖，而适应性又取决于传播季节在鹰鸽博弈中积累的收益。这个共同演化模型显示了一组丰富的特征。具体而言，病原体策略的演变导致流行病流行率的突然转变。此外，我们观察到长期动态导致单一的、幸存的病原体物种，并且病原体的合作行为即使在不利条件下也会出现。

COVID-19 疫苗和社交媒体：在 Twitter 上探索情绪和讨论

原文标题： COVID-19 Vaccine and Social Media: Exploring Emotions and Discussions on Twitter

地址： http://arxiv.org/abs/2108.04816

作者： Amir Karami, Michael Zhu, Bailey Goldschmidt, Hannah R. Boyajieff, Mahdi M. Najafabadi

摘要： 公众对 COVID-19 疫苗的反应是控制 COVID-19 大流行的关键成功因素。要理解公众的反应，就需要探索公众舆论。传统调查昂贵且耗时，涉及有限的健康主题，并获得小规模数据。 Twitter 可以提供一个很好的机会来理解有关 COVID-19 疫苗的舆论。当前的研究提出了一种使用计算和人工编码方法来收集和分析大量推文的方法，以提供有关 COVID-19 疫苗的更广泛的视角。本研究识别推文的情绪及其时间趋势，发现主要主题，比较负面和非负面推文的主题，并披露负面和非负面推文的热门话题。我们的研究结果表明，在 2020 年 11 月至 2021 年 2 月期间，对 COVID-19 疫苗的负面情绪呈下降趋势。我们发现 Twitter 用户在 2020 年 11 月至 2021 年 2 月期间讨论了从疫苗接种网站到 2020 年美国大选的广泛话题。研究结果表明，在大多数主题的权重方面，负面推文和非负面推文之间存在显著差异。我们的结果还表明，负面和非负面推文具有不同的主题优先级和重点。

COVID-19 大流行期间饮食习惯和自以为是的生活方式的影响：以工科学生为例

原文标题： Impact of Dietary Habits and Opinionated Lifestyle during COVID-19 Pandemic : A Case Study on Engineering Students

地址： http://arxiv.org/abs/2108.04817

作者： Arpitha A Deshpande, Aadrika A, Rajeshwari K, Preetha S

摘要： 由于封锁，COVID-19 大流行引入了一种新的生活方式。影响是饮食习惯、工作时间和睡眠模式。本研究的目标是检测 COVID-19 大流行期间因禁闭导致的生活方式变化，例如饮食习惯、体育活动，并探索体重的变化。研究中使用结构化问卷收集人体测量数据；特定食物的每日消耗量、水的摄入量、食物频率和每天的进餐次数。数据以图表形式呈现，以显示健康、生活方式趋势和工科学生之间的友谊。

使用 Hawkes 过程模拟 Twitter 活动的图方法

原文标题： A Graph Approach to Simulate Twitter Activities with Hawkes Processes

地址： http://arxiv.org/abs/2108.04818

作者： Ao Qu, Ismael Lemhadri

摘要： 近年来，由于互联网的普及，社交媒体的快速增长已经得到见证。这种趋势使人们对模拟社交媒体越来越感兴趣，这可以为学术研究人员和企业提供有价值的见解。在本文中，我们提出了使用 Hawkes 过程（一种自激活随机过程）来模拟 Twitter 活动的分步方法，并演示如何利用该模型来评估极其罕见的网络危机的可能性。这项研究的另一个目标是引入一种在图结构上实施霍克斯过程的新策略。总体而言，我们打算将当前的 Hawkes 流程扩展到更广泛的场景，特别是通过结合实际用户状态和用户之间的关注者互动来创建更真实的 Twitter 活动模拟。

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。