• 异构网络上的共识形成;
• 复杂网络中心性和聚类的模块化框架;
• 网络效应研究：理论机制和措施的系统回顾;
• 链接分析遇到本体：嵌入是答案吗？;
• 人说谎，行动不说！在社交媒体用户中对信息流行病扩散预测因子进行建模;
• 通过随机游走采样的社交图谱恢复;
• 社交媒体上的动态谣言检测是否可行？无监督视角;
• 度保持图动态——一种构建随机网络的通用过程;
• 局部同配性影响无标度网络的同步性;
• 用于防止在线操纵的对抗性机器学习;
• 接触引起的语言变化的分叉阈值;
• 以葡萄牙为例的 COVID-19 离散时间间隔流行病学模型;

异构网络上的共识形成

原文标题： Consensus formation on heterogeneous networks

地址： http://arxiv.org/abs/2111.11949

作者： Edoardo Fadda, Junda He, Claudio Tessone, Paolo Barucca

摘要： 在多个复杂的社会技术和经济技术系统中，达成共识（几乎所有系统组成部分都显示相同的微观状态的宏观状态）是必要的。在许多分布式系统中（其中基于区块链的应用程序只是最后一个例子），形成共识的过程不仅对于领先多数的出现而且对于系统的运行都至关重要。受此应用程序的启发，但具有更广泛的适用性，我们构建了一个简约的共识形成网络模型，用于量化中心节点 - 相对于它们与其他节点的平均距离 - 如何利用其地位在共识过程中获得竞争优势。我们表明，在广泛的网络拓扑中，根据发起传播的节点的中心性，形成多数的可能性会显著增加。此外，我们研究了网络拓扑在共识过程中的作用：我们表明，无标度网络中的中心节点可以在网络中赢得共识，即使它们广播状态明显晚于外围节点。

复杂网络中心性和聚类的模块化框架

原文标题： A Modular Framework for Centrality and Clustering in Complex Networks

地址： http://arxiv.org/abs/2111.11623

作者： Frederique Oggier, Silivanxay Phetsouvanh, Anwitaman Datta

摘要： 许多复杂网络的结构在其拓扑结构之上包括边方向性和权重。可以无缝地考虑这些属性组合的网络分析是可取的。在本文中，我们研究了两种重要的此类网络分析技术，即中心性和聚类。聚类采用基于信息流的模型，它本身建立在计算中心性的信息论度量上。我们的主要贡献包括马尔可夫熵中心性的广义模型，该模型可以灵活地调整节点度数、边权重和方向的重要性，并具有封闭形式的渐近分析。它导致了一种新颖的两阶段图聚类算法。中心性分析有助于推理我们的方法对给定图进行聚类的适用性，并确定“查询”节点，围绕这些节点探索本地社区结构，从而形成凝聚聚类机制。熵中心性计算由我们的聚类算法摊销，使其计算效率更高：与使用马尔可夫熵中心性进行聚类的先前方法相比，我们的实验证明了多个数量级的加速。我们的聚类算法自然地继承了适应边方向性的灵活性，以及​​边权重和节点度之间的不同解释和相互作用。总的来说，本文不仅做出了重要的理论和概念贡献，而且将研究结果转化为具有实际相关性的工件，产生了新的、有效的和可扩展的中心性计算和图聚类算法，其有效性已通过广泛的基准实验得到验证。

网络效应研究：理论机制和措施的系统回顾

原文标题： Network Effects Research: A Systematic Review of Theoretical Mechanisms and Measures

地址： http://arxiv.org/abs/2111.12081

作者： Alejandra Medina, Michael D. Siciliano, Weijie Wang, Qian Hu

摘要： 本文通过确定公共行政和政策使用中的理论机制和网络措施学者来推断网络结构和网络效应，为网络有效性文献做出贡献。我们对 1998 年至 2019 年在 40 种公共行政和政策期刊上的实证网络效应研究进行了系统回顾。我们审查并编码了 89 篇文章，并描述了网络有效性文献中使用的主要社会理论以及将网络结构转化为相关机制的相关机制。网络效应。我们还解释了学者如何通过网络测量来操作这些理论机制。总的来说，我们的发现反映了社会理论在解释网络效应方面的使用有限，在某些情况下，与理论相关的网络测量的使用不一致。此外，我们确定了与网络效应相关的主要挑战，包括难以分离与特定社会理论相关的特定机制，将网络结构用作机制和衡量标准，以及缺乏数据来检查网络动态和共同演化。

链接分析遇到本体：嵌入是答案吗？

原文标题： Link Analysis meets Ontologies: Are Embeddings the Answer?

地址： http://arxiv.org/abs/2111.11710

作者： Sebastian Mežnar, Matej Bevec, Nada Lavrač, Blaž Škrlj

摘要： 越来越多的语义资源为人类知识提供了宝贵的存储空间；但是，错误条目的可能性随着大小的增加而增加。因此，开发识别给定知识库中潜在虚假部分的方法正成为越来越重要的兴趣领域。在这项工作中，我们对仅结构链接分析方法是否已经可以提供一种可扩展的方法来检测可能的异常以及潜在的有趣的新关系候选者进行系统评估。我们评估了八种不同语义资源的十三种方法，包括基因本体论、食物本体论、海洋本体论等，我们证明了仅结构链接分析可以为数据集的子集提供可扩展的异常检测。此外，我们证明了通过考虑符号节点嵌入，可以获得对预测（链接）的解释，这使得这一方法分支可能比黑盒方法更有价值。据我们所知，这是目前对来自不同领域的语义资源的不同类型的链接分析方法的适用性的最广泛的系统研究之一。

人说谎，行动不说！在社交媒体用户中对信息流行病扩散预测因子进行建模

原文标题： People Lie, Actions Don’t! Modeling Infodemic Proliferation Predictors among Social Media Users

地址： http://arxiv.org/abs/2111.11955

作者： Chahat Raj, Priyanka Meel

摘要： 社交媒体是互动的，互动会带来错误信息。随着用户生成的数据量不断增加，自社会网络出现以来，在线平台上的虚假新闻变得更加频繁。不时发生事件并成为讨论的话题，产生和传播虚假信息。现有研究假新闻的文献主要阐述了假新闻分类模型。探索虚假新闻特征的方法以及将其与真实新闻区分开来的方法很少。没有多少研究专注于统计检验和产生新的因素发现。本研究假设了 14 种假设来确定与假新闻有关的因素。我们使用定性和定量测试方法对两个真实的 COVID-19 数据集进行了实验。本研究得出结论，情绪极性和性别可以显著识别假新闻。然而，对视觉媒体存在的依赖尚无定论。此外，Twitter 特定的因素（如关注者数量、朋友数量和转发数量）在假新闻和真实新闻中存在显著差异。尽管如此，状态计数和收藏夹计数的贡献是有争议的。本研究确定了在假新闻检测算法的开发中结合使用的实际因素。

通过随机游走采样的社交图谱恢复

原文标题： Social Graph Restoration via Random Walk Sampling

地址： http://arxiv.org/abs/2111.11966

作者： Kazuki Nakajima, Kazuyuki Shudo

摘要： 对于第三方研究人员来说，分析数据访问受限的社交图谱具有挑战性。为了应对这一挑战，已经开发了许多通过随机游走来估计结构特性的算法。然而，大多数现有算法仅限于估计局部结构特性。在这里，我们提出了一种从随机游走获得的小样本中恢复原始社交图的方法。所提出的方法生成一个图，该图保留了局部结构属性的估计值和通过随机游走采样的子图的结构。我们将所提出的方法与使用爬行方法的子图采样以及通过随机游走生成结构类似于原始图的图的现有方法进行比较。我们的实验结果表明，与比较方法相比，所提出的方法平均更准确地再现了局部和全局结构特性，并提供了对原始图更好的视觉表示。我们希望我们的方法能够对数据访问有限的社交图进行详尽的分析。

社交媒体上的动态谣言检测是否可行？无监督视角

原文标题： Is Dynamic Rumor Detection on social media Viable? An Unsupervised Perspective

地址： http://arxiv.org/abs/2111.11982

作者： Chahat Raj, Priyanka Meel

摘要： 随着互联网的日益普及和访问的便利性，在线谣言的问题正在升级。人们依靠社交媒体轻松获取信息，但却成为虚假信息的牺牲品。在线帖子缺乏可信度评估技术来识别谣言一到达。现有研究已经制定了多种机制，通过开发机器学习和深度学习算法来打击在线谣言。迄今为止的文献为谣言分类提供了监督框架，这些框架依赖于庞大的训练数据集。然而，在需要监督学习的在线场景中，动态谣言识别变得困难。在线谣言的早期检测是一项具有挑战性的任务，相关的研究相对较少。一旦谣言出现在网上，就需要立即识别它们。这项工作提出了一种新的无监督谣言检测框架，该框架依赖于使用最先进聚类技术的在线帖子的内容和社交特征。所提出的架构优于几个现有的基线，并且比几种监督技术表现更好。所提出的方法轻量级、简单且健壮，适合用作在线谣言识别工具。

度保持图动态——一种构建随机网络的通用过程

原文标题： Degree-preserving graph dynamics – a versatile process to construct random networks

地址： http://arxiv.org/abs/2111.11994

作者： Péter L. Erdős, Shubha R. Kharel, Tamás R. Mezei, Zoltán Toroczkai

摘要： 现实世界的网络通过添加或删除节点和边随着时间的推移而发展。在当前的网络演化模型中，节点度是任意变化或增长的。最近推出的保度网络增长 (DPG) 模型系列保留了节点度，导致结构与以前的模型明显不同且更加多样化（Nature Physics 2021, DOI:10.1038/s41567-021-01417-7）。在这里，我们提出了基于 DPG 网络增长模型系列的严格数学理论。我们证明，决定是否可以通过 DPG 过程从一个小的“核”图（DPG 可行性）获得简单图的一般问题是 NP 完全的，这与大多数现实世界网络实际上是令人惊讶的数值观察相反通过这个过程很容易构建；仍然需要理解的二分法。我们演示了如何使用适当的参数化通过 DPG 过程构建一些著名的网络模型。

局部同配性影响无标度网络的同步性

原文标题： Local assortativity affects the synchronizability of scale-free network

地址： http://arxiv.org/abs/2111.12017

作者： Mengbang Zou, Weisi Guo

摘要： 同步对于物理、化学、生物和社会系统中的系统级行为至关重要。经验证据表明，网络拓扑结构强烈影响系统的同步性，分析它们之间的关系仍然是一个开放的挑战。我们知道特征值分布决定了网络的同步性，但是连接网络拓扑和所有相关特征值（例如极值）的解析表达式仍然难以捉摸。在这里，我们通过提出一种使用微扰理论估计极端特征值的分析方法来准确地确定其同步性。我们的分析方法揭示了全局和局部拓扑结合影响同步性的作用。我们表明，确定同步性的最小非零特征值是通过由最少连接节点中的逆度差增加的最小度来估计的。由此我们可以得出结论，最小非零特征值与度值最小节点的局部分类性之间存在明显的负相关关系。我们在无标度 (SF) 网络的设置中验证我们框架的准确性，并且可以由常用的 ODE（例如，3 维 Rosler 或 Lorenz 动力学）驱动。从结果中，我们证明可以通过重新连接这些特定节点的连接来调整网络的同步性，同时保持网络的一般度分布。

用于防止在线操纵的对抗性机器学习

原文标题： Adversarial machine learning for protecting against online manipulation

地址： http://arxiv.org/abs/2111.12034

作者： Stefano Cresci, Marinella Petrocchi, Angelo Spognardi, Stefano Tognazzi

摘要： 对抗样本是机器学习系统的输入，导致该系统的输出不正确。通过此类输入发起的攻击可能会造成严重后果：例如，在图像识别领域，停止信号可能被错误分类为限速指示。域和应用程序。在这里，我们概述了如何利用它们作为强大的工具来盈利，以构建更强大的学习模型，能够更好地抵御攻击，用于两个关键任务：假新闻和社交机器人检测。

接触引起的语言变化的分叉阈值

原文标题： A bifurcation threshold for contact-induced language change

地址： http://arxiv.org/abs/2111.12061

作者： Henri Kauhanen

摘要： 一种提议的语言变化机制涉及第二语言 (L2) 学习者在语言接触情况下所扮演的角色。如果相对于第一语言 (L1) 说话者的数量而言，语音社区中存在足够多的 L2 说话者，那么那些在 L2 习得中存在困难的特征可能容易从语言中消失。本文提出了一种基于强化学习和非线性动力学的此类接触情况的数学模型。完全随机模型的确定性减少的平衡，描述了 L1 和 L2 说话者的混合群体，得到了充分的表征。语言是否因引入 L2 学习者而发生变化取决于三个因素：L2 学习者在人口中的总体比例、相关语言变体的相对优势以及说话者面临的困难的强度以 L2 的形式习得语言。这些因素与描述从保留 L2 困难特征到其从两个说话者群体中丢失的阶段转变的数学公式相关。这提供了可以根据经验数据进行测试的预测。在这里，该模型是在两个案例研究的帮助下进行评估的，即南非荷兰语的形态学水平和非洲裔秘鲁西班牙语中的无效主题的侵蚀；发现该模型与这两种情况的历史发展大体一致。

以葡萄牙为例的 COVID-19 离散时间间隔流行病学模型

原文标题： A Discrete-Time Compartmental Epidemiological Model for COVID-19 with a Case Study for Portugal

地址： http://arxiv.org/abs/2111.11860

作者： Sandra Vaz, Delfim F. M. Torres

摘要： 在 [生态复杂性 44 (2020) 艺术。 100885, DOI: 10.1016/j.ecocom.2020.100885] 以 2020 年 3 月 2 日至 5 月 4 日的葡萄牙为例，介绍了 2019 年冠状病毒病 (COVID-19) 传播的连续时间分区数学模型，以及分析了无病平衡 (DFE) 的局部稳定性。在这里，我们提出了一个类似的离散时间模型，并使用合适的 Lyapunov 函数证明了 DFE 点的全局稳定性。使用 COVID-19 真实数据，我们通过数值模拟显示了所获得理论结果的一致性。

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。