• 带有可变重启的随机游走，用于负例信息标签传播;
• 网络表示学习：从预处理、特征提取到节点嵌入;
• 网络上动力系统一维归约的精度;
• 艺术图像引发的社会概念自动建模为多模态框架;
• 大型符号图网络的扩展社区发现方法的进展;

带有可变重启的随机游走，用于负例信息标签传播

原文标题： Random Walks with Variable Restarts for Negative-Example-Informed Label Propagation

地址： http://arxiv.org/abs/2110.07011

作者： Sean Maxwell, Mehmet Koyuturk

摘要： 标签传播在图的机器学习和数据挖掘应用中经常遇到，无论是作为一个独立的问题还是作为节点分类的一部分。许多标签传播算法利用随机游走（或网络传播），这在考虑负标记节点（即，已知与感兴趣的标签无关的节点）方面提供了有限的能力。包含负标记样本的专门算法通常侧重于学习或重新调整边权重，以推动远离负标记节点并朝向正标记节点。这种方法有几个缺点，因为它增加了要学习的参数数量，并且不一定会驱使远离富含负标记节点的网络区域。我们通过重新启动和网络传播重新制定随机游走以启用“可变重新启动”，即当遇到负标记节点时增加在正标记节点处重新启动的可能性。基于这种重新制定，我们开发了 CusTaRd，这是一种有效结合可变重启概率和边重新加权以避免负面标记节点的算法。除了允许变量重新启动之外，CusTaRd 从正标记节点的邻居中采样负标记节点，以更好地表征正标记节点和负标记节点之间的差异。为了评估 CusTaRd 的性能，我们对四个常用于基准标签传播和节点分类算法的网络数据集进行了综合实验。我们的结果表明，CusTaRd 始终优于学习/重新调整边权重的竞争算法，并且从正面的近邻中对负面进行采样进一步提高了预测准确性。

网络表示学习：从预处理、特征提取到节点嵌入

原文标题： Network Representation Learning: From Preprocessing, Feature Extraction to Node Embedding

地址： http://arxiv.org/abs/2110.07582

作者： Jingya Zhou, Ling Liu, Wenqi Wei, Jianxi Fan

摘要： 网络表示学习 (NRL) 推进了社会网络、知识图和复杂的生物医学和物理信息网络的传统图挖掘。文献中已经报道了数十种网络表示学习算法。他们中的大多数专注于学习同构网络的节点嵌入，但它们在特定编码方案和刻画并用于学习节点嵌入的节点语义的特定类型方面有所不同。本调查论文回顾了在同构网络上进行网络表征学习的设计原则和不同的节点嵌入技术。为了便于比较不同的节点嵌入算法，我们引入了一个统一的参考框架，将给定网络上的节点嵌入学习过程划分和概括为预处理步骤、节点特征提取步骤和 NRL 任务（如链路预测）的节点嵌入模型训练和节点聚类。通过这个统一的参考框架，我们重点介绍了在节点嵌入模型学习过程的不同阶段使用的代表性方法、模型和技术。本次调查不仅帮助研究人员和从业者深入理解不同的网络表示学习技术，还为设计和开发下一代网络表示学习算法和系统提供了实用指南。

网络上动力系统一维归约的精度

原文标题： Accuracy of a one-dimensional reduction of dynamical systems on networks

地址： http://arxiv.org/abs/2110.07140

作者： Prosenjit Kundu, Hiroshi Kori, Naoki Masuda

摘要： 弹性是系统的一种能力，系统可以利用这种能力在受到干扰时调整其活动以维持其功能。为了研究网络动态的弹性，Gao it et al. [Nature, bf530, 307 (2016)] 提出了一个理论框架来减少网络上的动态系统，这些系统通常是高维的, 到一维动力系统。除了网络具有可忽略的程度相关性之外，这种一维归约的准确性还依赖于几个假设。在本研究中，我们分析了假设网络没有度相关性的一维归约的准确性。我们这样做主要是通过检查作为该方法基础的各个假设的有效性。在五个动力系统模型中，我们发现在大多数情况下，一维归约的准确性取决于状态变量的平衡值在节点上的分布。具体而言，当节点状态的离散度较小时，一维缩减趋于准确。我们还发现节点状态与节点度数之间的相关性是网络上各种动力系统常见的，与一维约简的精度无关。

艺术图像引发的社会概念自动建模为多模态框架

原文标题： Automatic Modeling of Social Concepts Evoked by Art Images as Multimodal Frames

地址： http://arxiv.org/abs/2110.07420

作者： Delfina Sol Martinez Pandiani, Valentina Presutti

摘要： 涉及非物质对象的社会概念——例如革命、暴力或友谊——是描述、索引和查询视觉数据内容的强大工具，包括来自文化遗产（CH ） 场地。尽管在计算机视觉中完全理解图像方面取得了很大进展，但自动检测图像引发的社会概念仍然是一个挑战。这部分是由于众所周知的语义鸿沟问题，由于社会概念缺乏独特的物理特征，并且依赖于比具体概念更多的非特定特征，因此对社会概念的影响更为严重。在本文中，我们建议通过整合多感官数据，将最近关于社会概念表征的认知理论转化为一种软件方法，将它们表示为多模态框架。我们的方法侧重于从用感兴趣的概念标记的视觉艺术材料中提取、分析和集成多模态特征。我们定义了一个概念模型并提出了一种新颖的本体，用于将社会概念正式表示为多模态框架。以泰特美术馆的收藏作为经验基础，我们在艺术图像语料库上试验我们的方法，以提供其潜力的概念证明。我们讨论进一步的研究方向，并提供所有软件、数据源和结果。

大型符号图网络的扩展社区发现方法的进展

原文标题： Advances in Scaling Community Discovery Methods for Large Signed Graph Networks

地址： http://arxiv.org/abs/2110.07514

作者： Maria Tomasso, Lucas Rusnak, Jelena Tešić

摘要： 社区检测是社会网络分析 (SNA) 中的一项常见任务，可应用于医学、犯罪学和商业等各个领域。尽管社区检测很流行，但对于符号网络的最有效方法还没有明确的共识。在本文中，我们总结了符号网络中社区检测的发展，并在几个真实世界的数据集上评估了当前最先进的技术。首先，我们给出了签名图中社区检测的全面背景。接下来，我们比较了拉普拉斯矩阵在通过小有符号图数据集中的谱聚类恢复真实社区标签方面的各种适应。然后，我们在小型、大型、密集和稀疏的现实世界有符号图网络上评估领先算法的可扩展性。最后，我们讨论了我们的新发现和对大型、稀疏、真实世界签名图中签名图社区发现的最先进技术的扩展和改进的建议。

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。