• 层级分形无标度网络的一般模型;
• COVID-19 将社交聚会限制在熟悉、不那么拥挤和邻近的城市地区;
• 稀疏化图神经网络中的更新步骤;
• Parler上协调叙事和国会大厦骚乱;
• 基于最优传输的时间网络的收敛特性;
• 超图动力学：同配性和扩展特征值;
• 图对比学习的实证研究;
• 对 Reddit 阴谋论论坛上链接的 YouTube 视频中用户评论的跨平台分析;

层级分形无标度网络的一般模型

原文标题： A general model of hierarchical fractal scale-free networks

地址： http://arxiv.org/abs/2109.00703

作者： Kousuke Yakubo, Yuka Fujiki

摘要： 我们提出了一个具有无标度特性和分形性质的网络的一般模型。与现有的分形无标度网络（FSFNs）模型不同，本模型可以系统地、广泛地改变网络结构。在这个模型中，FSFN 是通过用一个称为生成器的小图替换上一代网络中的每条边来迭代形成的。生成器的选择使我们能够控制分层 FSFN 的无标度属性、分形和其他结构属性。我们在理论上计算了网络的各种特征量，如幂律度分布的指数、分形维数、平均聚类系数、全局聚类系数和描述最近邻度相关性的联合概率。作为对 FSFN 上发生的现象进行分析的一个例子，我们还介绍了无限 FSFN 上键 - 渗透转变的临界点和临界指数，这与网络对边去除的鲁棒性有关。通过比较除聚类性质外结构特性相同的FSFNs的渗透临界点，我们阐明了聚类对FSFNs鲁棒性的影响。如本例所示，本模型可以通过系统地改变 FSFN 的结构来阐明特定结构特性如何影响 FSFN 上发生的现象。最后，我们通过引入非对称生成器将我们的确定性 FSFN 模型扩展到非确定性模型，并重新检查曾经计算过的所有特征量以及此类非确定性 FSFN 的渗透问题。

COVID-19 将社交聚会限制在熟悉、不那么拥挤和邻近的城市地区

原文标题： COVID-19 confines social gathering to familiar, less crowded, and neighboring urban areas

地址： http://arxiv.org/abs/2109.00902

作者： Jisung Yoon, Woo-Sung Jung, Hyunuk Kim

摘要： 理解人类城市动态至关重要但具有挑战性，因为城市是人与空间相互作用的复杂系统。使用来自韩国领先住宿平台的客户级数据集，我们确定城市等级、地理距离和对位置的依恋是城市地区社交聚会行为的关键因素。我们还引入了一个模型，该模型结合了这些因素并重建了数据的关键特征。我们的模型和分析表明，COVID-19 导致社交聚会行为发生重大变化。疫情发生后，人们更可能去熟悉的地方，避开城市等级最高的地方，近距离旅行，而住宿预订总数没有太大变化。有趣的是，这些变化仅在其他高层次上促进了社交聚会活动，这意味着外部冲击会降低人类城市动态的集中化，但会在低层次上加剧城市地区的不平等。

稀疏化图神经网络中的更新步骤

原文标题： Sparsifying the Update Step in Graph Neural Networks

地址： http://arxiv.org/abs/2109.00909

作者： Johannes F. Lutzeyer, Changmin Wu, Michalis Vazirgiannis

摘要： 消息传递神经网络 (MPNN) 是最著名的图神经网络 (GNN) 框架，在分析图结构数据方面取得了巨大成功。同时，神经网络模型的稀疏化吸引了大量的学术和工业兴趣。在本文中，我们对稀疏化对 MPNN 可训练部分（称为更新步骤）的影响进行了结构化研究。为此，我们设计了一系列模型来依次稀疏化 Update 步骤中的线性变换。具体来说，我们提出了具有可调稀疏率的 ExpanderGNN 模型和仅激活 GNN，它在更新步骤中没有线性变换。与文献中的增长趋势一致，稀疏化范式是通过初始化稀疏神经网络架构而不是昂贵地稀疏化已经训练过的架构来改变的。我们新颖的基准模型可以更好地理解更新步骤对模型性能的影响，并且优于现有的简化基准模型，例如简单图卷积。 ExpanderGNN 以及某些情况下的 Activation-Only 模型在几个下游任务上实现了与普通模型相当的性能，同时包含的可训练参数明显减少。在匹配参数数的实验中，我们的基准模型优于最先进的 GNN 模型。我们的代码公开在：https://github.com/ChangminWu/ExpanderGNN。

Parler上协调叙事和国会大厦骚乱

原文标题： Coordinating Narratives and the Capitol Riots on Parler

地址： http://arxiv.org/abs/2109.00945

作者： Lynnette Hui Xian Ng, Iain Cruickshank, Kathleen M. Carley

摘要： 协调的虚假宣传活动用于影响社交媒体用户，可能导致线下暴力。在这项研究中，我们介绍了一种通用方法，通过分析 Parler 上的用户对话来发现协调的消息传递。所提出的方法构造了由用户到文本图和文本到文本相似度图诱导的用户到用户协调网络图。文本到文本图是基于 Parler 帖子的文本相似性构建的。我们研究了 2020 年 1 月 6 日国会暴动中的三个有影响力的用户群体，并检测了协调用户群的网络，这些用户群都发布了类似的文本内容，以支持与 2020 年美国大选相关的不同虚假信息叙述。

基于最优传输的时间网络的收敛特性

原文标题： Convergence properties of optimal transport-based temporal networks

地址： http://arxiv.org/abs/2109.00971

作者： Diego Baptista, Caterina De Bacco

摘要： 我们根据最佳传输原理研究随时间演变的网络的网络特性。这些从均匀覆盖连续空间的结构演变为最佳运输理论方面的最佳设计。在融合时，网络应该优化通过它传输资源的方式。随着网络结构及时向最优方向成形，其拓扑特性也随之改变。问题是当我们达到最优时，这些如何改变。我们研究了许多网络序列上的各种网络属性的行为，这些网络序列朝着优化设计发展，发现传输成本函数比网络属性更早收敛，并且这些属性单调下降。这提出了一种通过压缩密集结构来设计最佳网络的机制。我们在从由随时间演化的粘菌体形状设计的网络的真实图像中提取的网络中发现了类似的行为。

超图动力学：同配性和扩展特征值

原文标题： Hypergraph dynamics: assortativity and the expansion eigenvalue

地址： http://arxiv.org/abs/2109.01099

作者： Nicholas W. Landry, Juan G. Restrepo

摘要： 描述网络接触结构的矩阵的最大特征值对于预测动态过程的行为通常很重要。我们将这个概念扩展到超图，并激发了一个类似的特征值，即扩展特征值，对于超图动态过程的重要性。使用平均场方法，我们根据不相关超图的度数序列推导出扩展特征值及其相关特征向量的近似值。我们为超图引入了一个生成模型，该模型包括度分类性，并使用扰动方法来推导扩展特征值及其对应的分类超图的特征向量的近似值。我们使用合成数据集和经验数据集来验证我们的结果。我们定义了动态分类性，这是统一超图分类性的动态合理定义，并描述了如何通过优先重连来减少超图的动态分类性可以消除流行病。

图对比学习的实证研究

原文标题： An Empirical Study of Graph Contrastive Learning

地址： http://arxiv.org/abs/2109.01116

作者： Yanqiao Zhu, Yichen Xu, Qiang Liu, Shu Wu

摘要： 图对比学习 (GCL) 建立了一种无需人工注释即可学习图表示的新范式。尽管最近取得了显著进展，但协鑫的成功背后仍然有些神秘。在这项工作中，我们首先确定了通用 GCL 范式中的几个关键设计考虑因素，包括增强功能、对比模式、对比目标和负面挖掘技术。然后，为了理解不同 GCL 组件的相互作用，我们对跨不同领域的数据集的一组基准任务进行了广泛的、受控的实验。我们的实证研究提出了一组有效 GCL 的一般收益，例如，产生稀疏图视图的简单拓扑增强带来了有希望的性能改进；对比模式应与最终任务的粒度保持一致。此外，为了促进未来的研究并简化 GCL 算法的实施，我们开发了一个易于使用的库 PyGCL，具有模块化的 CL 组件、标准化的评估和实验管理。我们设想这项工作为有效的 GCL 算法提供有用的经验证据，并为未来的研究提供一些见解。

对 Reddit 阴谋论论坛上链接的 YouTube 视频中用户评论的跨平台分析

原文标题： Cross-platform analysis of user comments in YouTube videos linked on Reddit conspiracy theory forum

地址： http://arxiv.org/abs/2109.01127

作者： Tomislav Duricic, Volker Seiser, Elisabeth Lex

摘要： 我们执行跨平台分析，研究在 Reddit 阴谋论坛上链接 YouTube 内容如何影响 YouTube 上用户评论中使用的语言。我们的发现显示用户语言略有变化，因为它变得与 Reddit 上使用的语言更相似。

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。