• 含时图网络的时间感知邻居采样;
• CORE：利用复空间回归和嵌入的知识图谱实体类型预测方法;
• 动态超边的表示学习;
• 在政治盟友和反对者的网络中辨别媒体偏见：有偏见的硬币的理想化例子;
• FendI：用于基于人群的疾病预测的网络修复联邦图学习;
• 通过联合建模成对边在网络中进行社区检测和互惠;
• 网络上扩展Watts模型的级联行为;
• 一种构建时间网络的生成树方法;
• 多元交互网络的关系超事件模型;
• 一种用于从社交媒体平台上的帖子中检测自杀意念的集成深度学习技术;
• 具有时间相关负载的网络路由中的基础设施适应和环路的出现;
• 非正式科学教育和职业发展;
• 海上事故后果关键因素的空间和多尺度变化——以东海为例;
• 理性预期作为预测加权 k-out-n-n 可靠性系统故障的工具;
• 实验人群动力学中的有效性概念;
• Twitter 上的新闻分享揭示了媒体议程的碎片化和持续的两极分化;

含时图网络的时间感知邻居采样

原文标题： Time-Aware Neighbor Sampling for Temporal Graph Networks

地址： http://arxiv.org/abs/2112.09845

作者： Yiwei Wang, Yujun Cai, Yuxuan Liang, Henghui Ding, Changhu Wang, Bryan Hooi

摘要： 我们在含时图上提出了一种新的邻居采样方法。在含时图中，预测不同节点的时变特性可能需要各种时间尺度的接收邻域。在这项工作中，我们提出了 TNS（时间感知邻域采样）方法：TNS 从时间信息中学习，随时为每个节点提供一个自适应的接受邻域。学习如何对邻居进行采样并非易事，因为按时间顺序排列的邻居索引是离散的且不可微的。为了应对这一挑战，我们通过插入邻居的消息将邻居索引从离散值转换为连续值。 TNS 可以灵活地结合到流行的含时图网络中，以在不增加时间复杂度的情况下提高其有效性。 TNS 可以以端到端的方式进行训练。它不需要额外的监督，并且自动和隐含地引导对最有利于预测的邻居进行采样。多个标准数据集的实证结果表明，TNS 在边预测和节点分类方面产生了显著的收益。

CORE：利用复空间回归和嵌入的知识图谱实体类型预测方法

原文标题： CORE: A Knowledge Graph Entity Type Prediction Method via Complex Space Regression and Embedding

地址： http://arxiv.org/abs/2112.10067

作者： Xiou Ge, Yun-Cheng Wang, Bin Wang, C.-C. Jay Kuo

摘要： 实体类型预测是知识图谱（KG）研究中的一个重要问题。在这项工作中提出了一种新的 KG 实体类型预测方法，名为 CORE（复杂空间回归和嵌入）。所提出的 CORE 方法利用了两个复杂空间嵌入模型的表达能力；即 RotatE 和 ComplEx 模型。它使用 RotatE 或 ComplEx 在两个不同的复杂空间中嵌入实体和类型。然后，我们推导出一个复杂的回归模型来连接这两个空间。最后，介绍了一种联合优化嵌入和回归参数的机制。实验表明，CORE 在代表性 KG 实体类型推理数据集上的性能优于基准测试方法。分析了各种实体类型预测方法的优缺点。

动态超边的表示学习

原文标题： Representation Learning for Dynamic Hyperedges

地址： http://arxiv.org/abs/2112.10154

作者： Tony Gracious, Ambedkar Dukkipati

摘要： 最近，人们对从交互数据中提取信息产生了浓厚的兴趣。传统上，这是通过将其建模为动态网络中特定时间的成对交互来完成的。然而，现实世界的互动很少是成对的。它们可以涉及两个以上的节点。在文献中，这些类型的组交互由超边/超链接建模。现有的超边建模工作仅关注静态网络，无法对节点与其他节点交互时的时间演化进行建模。此外，他们无法回答诸如接下来将发生哪种类型的交互以及何时发生交互等临时查询。为理解决这些限制，在本文中，我们开发了一个用于超链路预测的时间点过程模型。我们提出的模型使用节点的动态表示技术来模拟演化，并在神经点过程框架中使用这种表示进行推理。我们在五个真实世界的交互数据上评估我们的模型，并表明我们的动态模型比静态模型具有显著的性能提升。此外，我们还展示了我们的技术相对于成对交互建模技术的优势。

在政治盟友和反对者的网络中辨别媒体偏见：有偏见的硬币的理想化例子

原文标题： Discerning media bias within a network of political allies and opponents: the idealized example of a biased coin

地址： http://arxiv.org/abs/2112.10160

作者： Nicholas Kah Yean Low, Andrew Melatos

摘要： 对媒体政治偏见的感知是通过独立消费媒体组织的已发表成果直接形成的，也可以通过观察政治盟友和反对者对相同发表成果的集体反应而间接形成。构建了一个贝叶斯学习器网络来对这个系统进行建模，其中每个主体感知到的偏差服从概率密度函数，该函数根据贝叶斯定理更新，给定有关已发布输出的数据以及主体的政治盟友和反对者的信念。贝叶斯框架允许不确定的信念、多模态概率分布函数以及与对手的对抗性互动，而不仅仅是与盟友的合作。执行数值模拟以测试推断硬币偏差的理想化示例。发现在令人惊讶的广泛条件下，一些主体会比其他主体更快地收敛到错误的结论，当存在对抗性相互作用时，“锁定”某些主体与真相无关，例如在 Barab’asi-Albert 网络中。还发现结构不平衡的网络通常会经历湍流非收敛，其中一些主体无法实现稳态信念，例如当他们是两个自己是对手的主体人的盟友时。还探讨了长期间歇性的微妙现象。

FendI：用于基于人群的疾病预测的网络修复联邦图学习

原文标题： FedNI: Federated Graph Learning with Network Inpainting for Population-Based Disease Prediction

地址： http://arxiv.org/abs/2112.10166

作者： Liang Peng, Nan Wang, Nicha Dvornek, Xiaofeng Zhu, Xiaoxiao Li

摘要： 图卷积神经网络 (GCN) 广泛用于图分析。具体来说，在医学应用中，GCN 可用于人口图上的疾病预测，其中图节点表示个体，边表示个体相似性。然而，GCN 依赖于海量数据，这对于单个医疗机构来说是具有挑战性的。此外，大多数医疗机构继续面临的一个关键挑战是在数据信息不完整的情况下孤立地进行疾病预测。为理解决这些问题，联邦学习 (FL) 允许孤立的本地机构在没有数据共享的情况下协作训练全球模型。在这项工作中，我们提出了一个框架 FedNI，通过 FL 来利用网络修复和机构间数据。具体来说，我们首先使用图生成对抗网络（GAN）联合训练缺失节点和边预测器，以完成局部网络的缺失信息。然后我们使用联合图学习平台训练跨机构的全局 GCN 节点分类器。新颖的设计使我们能够通过利用联邦学习和图学习方法来构建更准确的机器学习模型。我们证明了我们的联合模型在两个公共神经影像数据集上以显著的优势优于本地和基线 FL 方法。

通过联合建模成对边在网络中进行社区检测和互惠

原文标题： Community detection and reciprocity in networks by jointly modeling pairs of edges

地址： http://arxiv.org/abs/2112.10436

作者： Martina Contisciani, Hadiseh Safdari, Caterina De Bacco

摘要： 我们提出了一个概率生成模型和一个有效的算法来执行社区检测和刻画网络中的互惠。我们的方法联合建模具有精确 2 边联合分布的边对。此外，它还为边际分布和条件分布提供了封闭形式的分析表达式。我们在恢复社区、边预测任务和生成复制真实网络中观察到的互惠值的合成网络方面验证了我们的合成数据模型。我们还在与社会科学家和行为生态学家相关的两个真实数据集上强调了这些发现。我们的方法克服了标准算法和最近模型的局限性，这些模型通过伪似然近似结合了互易性。我们在线提供代码的开源实现。

网络上扩展Watts模型的级联行为

原文标题： Cascading behavior of an extended Watts model on networks

地址： http://arxiv.org/abs/2112.10524

作者： Shinji Nishioka, Takehisa Hasegawa

摘要： 在这项研究中，我们提出了一个扩展的 Watts 模型来检查发起者对信息级联的影响。扩展的 Watts 模型假设与发起者有连接的节点的采用阈值比其他节点低，因为发起者的影响很大。我们开发了一个树近似来描述随机网络中扩展瓦特模型的活动节点分数，并推导出全局级联发生的级联条件与一小部分发起者。通过在 Erdos-Renyi 随机图上分析扩展 Watts 模型的活动节点分数和级联窗口，我们发现增加发起者的影响有利于全局级联的可能性，即有多少节点最终变为活动显著受发起者的比例和直接连接到发起者的节点的阈值，这决定了早期阶段的级联动态。

一种构建时间网络的生成树方法

原文标题： A spanning-tree method for constructing temporal networks

地址： http://arxiv.org/abs/2112.10527

作者： Anzhi Sheng, Aming Li, Long Wang

摘要： 时间网络提供了一个通用框架来刻画复杂系统的时变交互。事件间时间 (IET)，即两次连续交互之间的时间间隔，是表征时间网络结构的常用统计量。先前的研究结果支持突发性，即 IET 分布是重尾，在经验时间网络上的节点和链接的活动中无处不在。然而，仍然缺乏产生这种非平凡现象的分析方法。在这里，我们提出了一种生成树方法来构建具有任何一致活动模式的时间网络，包括突发和泊松活动模式。具体来说，我们的方法理论上确保每个节点/链路的合成 IET 分布可以与满足一致性（必要和充分）条件的任何目标分布相匹配，并且我们构建过程所基于的底层拓扑可以是静态的或随时间变化。我们的方法再现了经验数据集中观察到的突发性，并揭示了时间相互作用的规律，这是进一步研究现实世界复杂系统中动态过程的关键决定因素。

多元交互网络的关系超事件模型

原文标题： Relational hyperevent models for polyadic interaction networks

地址： http://arxiv.org/abs/2112.10552

作者： Jürgen Lerner, Alessandro Lomi

摘要： 当一个发送者同时向多个接收者发送地址时，就会发生多元（一对多）社交互动。当前可用的关系事件模型 (REM) 不太适合分析多元交互网络，因为它们将接收器集的事件率指定为与发送器和一个接收器一次关联的二元协变量的函数。关系超事件模型 (RHEM) 通过将事件率指定为与发送方和整个接收方相关联的超边协变量的函数来缓解这个问题。在本文中，我们展示了 RHEM 在分析多元社会互动方面的潜在好处。我们定义并实施了 REM 无法获得的实际相关影响，但可以纳入 RHEM 的经验规范中。在对规范的安然电子邮件数据的再分析中，我们说明了 RHEM 如何有效地 (i) 揭示经验数据中的多元依赖的证据，(ii) 改进可比较的 REM 的二元规范的拟合，以及 (iii) 更好地识别收件人集实际上从一组可能收到相同电子邮件但没有收到的潜在收件人那里收到相同的电子邮件。

一种用于从社交媒体平台上的帖子中检测自杀意念的集成深度学习技术

原文标题： An ensemble deep learning technique for detecting suicidal ideation from posts in social media platforms

地址： http://arxiv.org/abs/2112.10609

作者： Shini Renjith, Annie Abraham, Surya B.Jyothi, Lekshmi Chandran, Jincy Thomson

摘要： 来自社交媒体的自杀意念检测是一项不断发展的研究，面临着巨大的挑战。许多有自杀倾向的人通过社交媒体平台分享他们的想法和观点。作为许多研究的一部分，观察到来自社交媒体的公开帖子包含有效检测有自杀念头的个人的宝贵标准。预防自杀最困难的部分是发现和理解可能导致自杀的复杂风险因素和警告信号。这可以通过自动识别用户行为的突然变化来实现。自然语言处理技术可用于从社交媒体交互中收集行为和文本特征，这些特征可以传递给专门设计的框架，以检测人类交互中的异常，这些异常是自杀意图的指标。我们可以使用深度学习和/或基于机器学习的分类方法快速检测自杀意念。为此，我们可以结合使用 LSTM 和 CNN 模型来检测用户帖子中的此类情绪。为了提高准确性，可以采取一些方法，例如使用更多数据进行训练，使用注意力模型来提高现有模型的效率等。本文提出了一个 LSTM-Attention-CNN 组合模型来分析社交媒体提交的内容，以检测任何潜在的自杀意图。在评估过程中，所提出的模型表现出 90.3% 的准确率和 92.6% 的 F1 分数，高于基线模型。

具有时间相关负载的网络路由中的基础设施适应和环路的出现

原文标题： Infrastructure adaptation and emergence of loops in network routing with time-dependent loads

地址： http://arxiv.org/abs/2112.10620

作者： Alessandro Lonardi, Enrico Facca, Mario Putti, Caterina De Bacco

摘要： 网络路由方法被广泛用于研究自适应系统的时间演化。然而，对于适应受时间相关输入控制的问题，几乎没有取得任何进展。在这项工作中，我们研究了一个动态系统，其中网络的边电导率 - 容量 - 由注入节点的时变质量负载调节。受经验观察的启发，我们假设电导率相对于负载的特征时间缓慢适应。此外，假设负载是周期性的，我们推导出一个新的动力学，其中系统的演化由输入负载的傅立叶系数获得的矩阵控制。值得注意的是，我们发现这些系数的充分条件决定了生成的网络拓扑何时是树。我们在波尔多总线网络上展示了一个例子，我们调整输入负载以在循环拓扑和树拓扑之间进行插值。我们在几个合成网络上验证了我们的模型，并提供了原始电导率的长期解决方案的表达式，并得到数值观察和分析论证的支持。

非正式科学教育和职业发展

原文标题： Informal Science Education and Career Advancement

地址： http://arxiv.org/abs/2112.10623

作者： Michael Smith, Claudia Fracchiolla, Sean Fleming, Arturo Dominguez, Alexandra Lau, Shannon Greco, Don Lincoln, Eleni Katifori, William Ratcliff, Maria Longobardi, Maajida Murdock, Mustapha Ishak

摘要： 该文件支持提议的 APS 声明，该声明鼓励学术、研究和其他机构将参与非正式科学教育活动添加到他们用于招聘和职业发展决策的标准中。普遍的看法是，研究人员花在这些活动上的时间会占用同行和机构更重视的研究工作的时间。为了改变这种心态，我们列举了非正式科学教育活动对公众、研究人员、他们的机构以及物理学领域的许多好处。我们还建议机构在评估非正式教育工作以进行招聘和职业发展决策时可能会考虑这些活动的各个方面。

海上事故后果关键因素的空间和多尺度变化——以东海为例

原文标题： Spatial and multi-scale variations in key factors of maritime accident consequences: A case in the East China Sea

地址： http://arxiv.org/abs/2112.10671

作者： Guorong Li, Kun Gao, Jinxian Weng, Xiaobo Qu

摘要： 受船舶航行环境（如水文因素、地质因素和船舶密度）的影响，海上事故及相应后果在空间维度上存在很大差异。理解导致海事事故的关键因素的这些变化对于预防海事事故的发生或减少海事事故的后果将大有裨益。基于东海10年地理信息的独特海事事故数据，采用多尺度地理加权回归（MGWR）模型量化不同因素的影响以及关键因素影响的空间异质性. MGWR 输出与多元线性回归 (MLR) 和地理加权回归 (GWR) 的结果进行比较。特别是MGWR在建模过程中考虑了多尺度空间变化，在建模适应度和清晰捕捉未观察到的空间异质性方面优于其他两种模型。我们的研究结果揭示了不同水域的某些因素对海上事故后果的明显不同甚至相反的影响。大约 50% 的事故地点的能见度系数为正，而其他地点的能见度系数为负，MLR 忽略了这一点。结果为制定针对不同地理区域的适当安全对策和政策提供了见解。

理性预期作为预测加权 k-out-n-n 可靠性系统故障的工具

原文标题： Rational expectations as a tool for predicting failure of weighted k-out-of-n reliability systems

地址： http://arxiv.org/abs/2112.10672

作者： Jorgen Vitting Andersen, Roy Cerqueti, Jessica Riccioni

摘要： 在这里，我们介绍了使用理性预期（经济学和金融学中的核心概念）作为一种工具来预测各种加权 k-out-n-n 可靠性系统的最佳故障时间的想法。我们通过将其应用于具有异构故障时间的组件的系统来说明该概念。根据组件故障的异质分布，我们找到了不同的最佳方法来预测整个系统的故障时间。我们举例说明，当给定的系统随着时间的推移而恶化时，人们如何通过在一组与时间相关的措施中进行选择来发布不同的系统故障最佳预测。

实验人群动力学中的有效性概念

原文标题： The notion of validity in experimental crowd dynamics

地址： http://arxiv.org/abs/2112.10673

作者： Milad Haghani

摘要： 随着实验方法在人群动态中变得越来越流行，实验有效性的问题变得比以往任何时候都更加重要。为了评估人群实验，最重要的是区分其有效性的不同维度。在这里，我们根据调查的基本目的区分人群动态中的四种类型的实验。这包括主要目的是（i）测试行为理论/假设，（ii）探索经验行为规律的实验； (iii) 评估集体（系统级）性能而不是个人行为 (iv) 校准和/或验证预先存在的模型。在描述与人群实验相关的外部/内部有效性的各个维度时，我们争论不同有效性维度的重要性如何根据调查目的而变化。这可以明确说明实验室设置的人为性是合理的情况，而不是应该给予更高水平的上下文保真度的实验。至关重要的是，研究人员 (a) 在他们的实验设计中意识到可控性和现实性之间的权衡，以及 (b) 识别可能危及实验有效性并减轻它们的潜在因素。在有效性问题上，从现场数据得出的推论并不总是取代实验的推论。根据调查的目的，保持内部有效性有时需要实验室设置并证明人为合理。在对因果关系缺乏充分控制的情况下，外部有效性的问题将是徒劳的。因此，在人群实验的内部和外部有效性之间取得合理的平衡应该成为设计的主要考虑因素。

Twitter 上的新闻分享揭示了媒体议程的碎片化和持续的两极分化

原文标题： News-sharing on Twitter reveals emergent fragmentation of media agenda and persistent polarization

地址： http://arxiv.org/abs/2112.09763

作者： Tomas Cicchini, Sofia Morena del Pozo, Enzo Tagliazucchi, Pablo Balenzuela

摘要： 社会网络上的新闻共享揭示了信息如何在用户之间传播。这个过程受用户偏好和社会关系的约束，在舆论的形成中起着关键作用。在这项工作中，我们分析了作为阿根廷主要媒体连续两年的双向新闻用户网络的 Twitter 上的新闻共享行为。对新闻网络的分析揭示了由新闻内容的语义相似性和同质性媒体交互驱动的模块化结构，产生了碎片化的媒体议程。特别是，这两个最大的社区呈现出持续两极分化的政治倾向，这反映在对意识形态同质的媒体群体的消费上。另一方面，用户网络显示由类似新闻消费概况驱动的模块，其中核心个人的概况较少，这表明观察到的两极分化可能是由于媒体曝光缺乏多样性所致。

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。