• 基于网络的排名和推荐算法中的不平等和不公平;
• 使用信息论变分图自动编码器的极化网络中的无监督信念表示学习;
• 通过挖掘邻里和社区影响在时间网络中进行归纳表示学习;
• 检测有害模因及其目标;
• 基于层次对抗训练的社交媒体谣言检测;
• 减少 SARS-CoV-2 传播所需的监测测试频率;
• 优化过程中仿生网络的含时图和时间网络特征;
• 重排、排序和偏序的信念传播;

基于网络的排名和推荐算法中的不平等和不公平

原文标题： Inequality and Inequity in Network-based Ranking and Recommendation Algorithms

地址： http://arxiv.org/abs/2110.00072

作者： Lisette Espín-Noboa, Claudia Wagner, Markus Strohmaier, Fariba Karimi

摘要： 尽管算法承诺了许多好处，包括效率、客观性和准确性，但它们也可能引入或放大偏见。在这里，我们研究了两种著名的算法，即 PageRank 和 Who-to-Follow (WTF)，并展示了在应用于有向社会网络时，它们的排名在哪些情况下会产生不平等和不公平。为此，我们提出了一种具有优先连接和同质性（DPAH）的有向网络模型，并证明了网络结构对这些算法的秩分布的影响。我们的主要发现表明 (i) 不平等与不公平正相关，(ii) 不平等是由优先依恋、同质性、节点活动和边密度之间的相互作用驱动的，(iii) 不平等主要是由同质性驱动的。特别是，当大多数人是同性、中性和异性时，这两种算法分别放大、复制和减少了顶级排名中的不平等。此外，当不平等被放大时，少数群体可以通过在网络中进行战略性连接来提高他们在等级中的知名度。例如，当大多数人也是同质的时，通过增加他们的同质性。这些发现揭示了在基于网络的排名和推荐算法中阻碍平等和公平的社会和算法机制。

使用信息论变分图自动编码器的极化网络中的无监督信念表示学习

原文标题： Unsupervised Belief Representation Learning in Polarized Networks with Information-Theoretic Variational Graph Auto-Encoders

地址： http://arxiv.org/abs/2110.00210

作者： Jinning Li, Huajie Shao, Dachun Sun, Ruijie Wang, Jinyang, Li, Shengzhong, Liu, Hanghang Tong, Tarek Abdelzaher

摘要： 本文开发了一种新的无监督算法，用于极化网络中的信念表示学习，它 (i) 揭示了潜在信念空间的潜在维度，以及 (ii) 以一种方式将用户和（他们与之交互的）内容项共同嵌入到该空间中促进了许多下游任务，例如立场检测、立场预测和意识形态映射。受信息论中的总相关性的启发，我们提出了一种新颖的信息论变分图自动编码器 (InfoVGAE)，它学习将用户和内容项目（例如，代表用户视图的帖子）投影到适当的解开潜在空间中。为了更好地解开该空间中的正交潜在变量，我们开发了总相关正则化、PI 控制模块，并对潜在空间采用了修正高斯分布。然后可以使用用户和内容的潜在表示来量化他们的意识形态倾向并检测/预测他们对问题的立场。我们在三个真实世界的数据集上评估了提议的 InfoVGAE 的性能，其中两个来自 Twitter，一个来自美国国会投票记录。评估结果表明，我们的模型优于最先进的无监督模型，并产生与监督模型相当的结果。我们还讨论了意识形态群体内的立场预测和用户排名。

通过挖掘邻里和社区影响在时间网络中进行归纳表示学习

原文标题： Inductive Representation Learning in Temporal Networks via Mining Neighborhood and Community Influences

地址： http://arxiv.org/abs/2110.00267

作者： Meng Liu, Yong Liu

摘要： 网络表示学习旨在为网络中的每个节点生成嵌入，这有助于下游机器学习任务，例如节点分类和链路预测。当前的工作主要集中在转导网络表示学习上，即生成固定节点嵌入，这不适用于实际应用。因此，我们通过挖掘时间网络中的邻域和社区影响，提出了一种新的归纳网络表示学习方法，称为 MNCI。我们提出了一个聚合器函数，该函数将邻里影响与社区影响相结合，以随时生成节点嵌入。我们对几个真实世界的数据集进行了广泛的实验，并将 MNCI 与几种最先进的基线方法在各种任务上进行了比较，包括节点分类和网络可视化。实验结果表明，MNCI 实现了比基线更好的性能。

检测有害模因及其目标

原文标题： Detecting Harmful Memes and Their Targets

地址： http://arxiv.org/abs/2110.00413

作者： Shraman Pramanick, Dimitar Dimitrov, Rituparna Mukherjee, Shivam Sharma, Md. Shad Akhtar, Preslav Nakov, Tanmoy Chakraborty

摘要： 在社交媒体的各种交流方式中，互联网模因的使用已成为传达政治、心理和社会文化观点的有力手段。尽管模因本质上通常是幽默的，但最近几天目睹了旨在滥用各种社会实体的有害模因的激增。由于大多数有害的模因都是高度讽刺和深奥的，没有适当的上下文，现成的多模态模型可能不足以理解它们的潜在语义。在这项工作中，我们提出了两个新的问题表述：检测有害模因和这些有害模因所针对的社会实体。为此，我们展示了第一个基准数据集 HarMeme，其中包含 3,544 个与 COVID-19 相关的模因。每个模因都经过严格的两阶段注释过程。在第一阶段，我们将模因标记为非常有害、部分有害或无害；在第二阶段，我们进一步标注了每个有害模因指向的目标类型：个人、组织、社区或社会/公众/其他。使用十个单峰和多峰模型的评估结果突出了使用多峰信号对这两项任务的重要性。我们进一步讨论了这些模型的局限性，我们认为需要更多的研究来解决这些问题。

基于层次对抗训练的社交媒体谣言检测

原文标题： Rumor Detection on Social Media with Hierarchical Adversarial Training

地址： http://arxiv.org/abs/2110.00425

作者： Shiwen Ni, Jiawen Li, Hung-Yu Kao

摘要： 社交媒体上谣言的泛滥对社会产生了巨大的影响。然而，自然语言文本是高维稀疏的，同样的谣言在社交媒体上可能有数百种表达方式。因此，当前谣言检测模型的鲁棒性和泛化性受到质疑。我们提出了一种称为 HAT-RD 的新层次模型，它分为两类：后级模块和事件级模块。 HAT-RD 采用一种新的基于梯度上升的分层对抗训练方法，通过向后级模块和事件级模块的嵌入层添加对抗性扰动来欺骗检测器。同时，检测器使用随机梯度下降来最小化对抗风险以学习更健壮的模型。通过这种方式，后级和事件级样本空间得到增强，实验表明模型漂移到具有平坦损失景观的区域，从而导致更好的泛化。在两个真实世界数据集上的实验表明，我们的模型比最先进的方法取得了更好的结果。

减少 SARS-CoV-2 传播所需的监测测试频率

原文标题： Frequency of surveillance testing necessary to reduce transmission of SARS-CoV-2

地址： http://arxiv.org/abs/2110.00451

作者： Ahmed Elbanna, Nigel Goldenfeld

摘要： 我们通过对不同频率的易感人群进行监测测试，比较了原始武汉毒株和 Delta 变体的病例，估计了 SARS-CoV-2 传播的减少。我们使用首次检测时的病毒拷贝数结合气溶胶传播引起的考虑来估计病毒动力学。我们考虑到最近的发现，即受感染的接种疫苗的成年人的活病毒载量可能与受感染的未接种疫苗的成年人的病毒载量相同。我们的估计表明，对于 SARS-CoV-2 的原始菌株而言，每周两次的测试就足够了，这本身不足以遏制令人担忧的 Delta 变体的传播。我们排除了接触者追踪的考虑，因为在 Delta 变体的情况下病毒滴度发生的速度表明除非非常迅速地进行接触者追踪和隔离（即远少于一天），否则这些缓解措施的影响将很小在减少传播。这些粗略的估计没有考虑到易感性、社会活动和依从性的异质性，也没有包括可以通过戴口罩和社会疏远来实现的额外传播减少。在大型公立大学的环境中，这些考虑表明对接种疫苗的学生、教职员工和教职员工进行有针对性的风险测试，并结合对所有未接种疫苗的个人进行监测测试，是减少 COVID-19 传播的最有效方法。

优化过程中仿生网络的含时图和时间网络特征

原文标题： Temporal Graphs and Temporal Network Characteristics for Bio-Inspired Networks During Optimization

地址： http://arxiv.org/abs/2110.00506

作者： N. DiBrita, K. Eledlebi, H. Hildmann, L. Culley, A. F. Isakovic

摘要： 时间网络分析和网络特征的时间演化是描述动态网络拓扑变化的有力工具。本文使用此类方法来更好地可视化并提供我们在 Voronoi 型空间覆盖中观察到的性能变化的分析措施，特别是对于部署了不断变化的无线传感器数量的时间演进网络的示例。具体而言，我们的分析侧重于不可逾越的障碍和环境噪声的不同组合在连通性和整体网络结构中所起的作用。展示了 (i) 时间网络图和 (ii) 网络中心性和规律性度量的使用如何说明为平衡网络覆盖中的能量和时间效率而开发的各种选项之间的差异。最后，我们将这些措施的结果与较不抽象的分类变量（例如覆盖面积百分比和累计行驶距离）进行比较。

重排、排序和偏序的信念传播

原文标题： Belief propagation for permutations, rankings, and partial orders

地址： http://arxiv.org/abs/2110.00513

作者： George T. Cantwell, Cristopher Moore

摘要： 许多数据集通过指示哪支球队赢得比赛、用户喜欢哪个项目或谁感染了谁来提供有关排序或排名的部分信息。给定这些相互作用的概率模型，我们定义了一个连续自旋系统，其吉布斯分布是排列的后验分布。使用空腔方法，我们推导出了一个置信传播算法，该算法计算每个节点位置的边分布。此外，Bethe 自由能让我们可以估算偏序的线性扩展的数量并执行模型选择。

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。