• 使用谱图过滤的基于社区的异常检测;
• MonLAD：交易流中的洗钱主体检测;
• 上下文自监督链路预测;
• LP-UIT：社会网络中链路预测的多模式框架;
• 因果涌现的神经信息挤压器;
• 如何成为极端者;
• 印度政府保留政策的熵分析;
• 一种预测人工智能论文语义关系的方法;

使用谱图过滤的基于社区的异常检测

原文标题： Community-based anomaly detection using spectral graph filtering

地址： http://arxiv.org/abs/2201.09936

作者： Rodrigo Francisquini, Ana Carolina Lorena, Mariá C. V. Nascimento

摘要： 多个应用程序具有社区结构，其中同一社区的节点共享相似的属性。网络中的异常或异常值检测是一个相关且广泛研究的研究课题，在各个领域都有应用。尽管有大量的异常检测框架，但同时考虑属性图和网​​络社区结构的方法的文献很少。本文提出了一种基于社区的异常检测算法，该算法使用基于谱图的滤波器，将网络社区结构包含在拉普拉斯矩阵中，作为傅里叶变换的基础。此外，滤波器截止频率的选择要考虑找到的社区数量。在计算实验中，所提出的称为 SpecF 的策略在成功识别离散异常方面表现出出色的性能。 SpecF 优于不考虑社区结构的基线，特别是对于具有较高社区重叠的网络。此外，我们提出了一个案例研究，以验证所提出的研究 COVID-19 在巴西 S~ao Jos’e dos Campos 不同地区传播的方法。

MonLAD：交易流中的洗钱主体检测

原文标题： MonLAD: Money Laundering Agents Detection in Transaction Streams

地址： http://arxiv.org/abs/2201.10051

作者： Xiaobing Sun, Wenjie Feng, Shenghua Liu, Yuyang Xie, Siddharth Bhatia, Bryan Hooi, Wenhan Wang, Xueqi Cheng

摘要： 给定银行账户之间的资金交易流，我们如何才能准确地实时检测洗钱主体账户和可疑行为？洗钱者试图通过分散多笔小额交易来隐藏非法所得资金的来源，并通过巧妙的策略逃避侦查。因此，以无人监督的方式准确捕捉此类欺诈者具有挑战性。现有方法不考虑这些主体帐户的特征，并且不适合流设置。因此，我们建议 MonLAD 和 MonLAD-W 通过跟踪其残差和其他特征来检测交易流中的洗钱主体账户；我们设计了 AnoScore 算法，以基于统计偏差的稳健度量来发现异常。实验结果表明，MonLAD 在真实世界数据上的表现优于最先进的基线，并发现了各种可疑的洗钱行为模式。此外，多个检测到的可疑账户已被人工验证为真实洗钱场景中的主体人。

上下文自监督链路预测

原文标题： Link Prediction with Contextualized Self-Supervision

地址： http://arxiv.org/abs/2201.10069

作者： Daokun Zhang, Jie Yin, Philip S. Yu

摘要： 链路预测旨在推断网络中两个节点之间是否存在链接。尽管应用广泛，但传统链路预测算法的成功受到现实世界网络面临的三大挑战——链路稀疏性、节点属性噪声和网络动态——的阻碍。为了克服这些挑战，我们提出了一个上下文自监督学习 (CSSL) 框架，该框架充分利用结构上下文预测进行链路预测。所提出的 CSSL 框架通过聚合节点嵌入对来形成边嵌入，这些节点嵌入是通过节点属性的转换构建的，用于预测链接存在概率。为了生成为链路预测量身定制的节点嵌入，结构上下文预测被用作自监督学习任务来促进链路预测。研究了两种类型的结构上下文，即从随机游走收集的上下文节点与上下文子图。 CSSL 框架可以端到端的方式进行训练，节点和边嵌入的学习由链路预测和自监督学习任务监督。所提出的 CSSL 是一个通用且灵活的框架，因为它可以处理转导和归纳链路预测设置，以及属性和非属性网络。对七个真实世界基准图数据集的广泛实验和消融研究证明了所提出的基于自我监督的链路预测算法在转导和归纳设置下在不同类型的网络上的最先进基线的卓越性能。所提出的 CSSL 在其对节点属性噪声的鲁棒性和在大规模网络上的可扩展性方面也产生了具有竞争力的性能。

LP-UIT：社会网络中链路预测的多模式框架

原文标题： LP-UIT: A Multimodal Framework for Link Prediction in Social Networks

地址： http://arxiv.org/abs/2201.10108

作者： Huizi Wu, Shiyi Wang, Hui Fang

摘要： 随着在线社交网站 (SNS) 上信息的快速爆炸，用户很难以有效的方式寻找新朋友或拓宽他们的社会网络。链路预测可以有效克服这一问题，因此受到广泛关注。以前的链路预测方法未能全面捕捉导致新链接形成的因素：1）很少有模型考虑用户短期和长期兴趣对链路预测的不同影响。此外，他们未能对来自社会影响和“薄弱环节”的影响进行联合建模； 2）考虑到不同的因素应该来自不同模态的信息源，缺乏有效的多模态链路预测框架。鉴于此，我们提出了一种新颖的多模态链路预测框架（称为 LP-UIT），它融合了从多模态信息（即文本信息、图信息和数字信息）。具体来说，我们采用图卷积网络处理网络信息以捕捉拓扑特征，采用自然语言处理技术（即TF-IDF和word2Vec）对用户的短期和长期兴趣进行建模，识别社会影响力和“来自数字特征的薄弱环节。我们进一步使用注意力机制来模拟文本和拓扑特征之间的关系。最后，设计了一个多层感知器（MLP）来组合来自三种模式的表示以进行链路预测。在两个真实世界数据集上进行的大量实验证明了 LP-UIT 优于最先进的方法。

因果涌现的神经信息挤压器

原文标题： Neural Information Squeezer for Causal Emergence

地址： http://arxiv.org/abs/2201.10154

作者： Jiang Zhang

摘要： 因果涌现的经典研究表明，在一些马尔可夫动力学系统中，如果我们以适当的方式粗粒度系统状态，则在更高层次的描述中可以发现比在相同系统的低层次描述中更强的因果联系。然而，从数据中识别这种突发的因果关系仍然是一个尚未解决的难题，因为不容易找到正确的粗粒度策略。本文提出了一种通用的机器学习框架，称为神经信息挤压器，用于自动提取有效的粗粒度策略和宏观状态动态，并直接从时间序列数据中识别因果出现。通过将粗粒度操作分解为信息转换和信息丢弃两个过程，我们不仅可以精确控制信息通道的宽度，还可以解析推导出一些重要性质，包括宏的有效信息的精确表达。 -动力学。我们还展示了我们的框架如何提取不同级别的动态，并从几个示例系统的数据中识别因果出现。

如何成为极端者

原文标题： How to be an extremist

地址： http://arxiv.org/abs/2201.10254

作者： Tomáš Fürst, Anna Minarovičová, Františka Sandroni, Jakub Dostál

摘要： 我们提出了一个在社会中传播观点的玩具模型，该模型将自我强化机制与传播相结合。这两种机制的相对强度——称为系统的影响力——是模型的一个自由参数。该模型在无标度网络上运行，并研究其渐近行为。观察到一个令人惊讶的涌现效应：如果每个人都变得更加关注他人的意见，整个社会就会从多种细微的意见转变为对极端意见的绝对共识状态。这种反直觉的涌现行为可能有助于解释人类历史上的某些悖论。

印度政府保留政策的熵分析

原文标题： Entropic Analysis of Reservation Policy of Government of India

地址： http://arxiv.org/abs/2201.10314

作者： Rakesh Kumar Pandey, Maneesha Pandey

摘要： 本文基于社会熵估计的分析在数学模型上进行，以评估目前在印度实施的保留政策。保留政策是根据平权行动政策在印度宪法中规定的。政策制定者已经确定了印度一些受到社会歧视的社区。他们通过注意到他们在社会中权力和尊重职位的惨淡代表来识别他们。有人认为，这些社区必须受到不同的待遇，才能在社会中给予他们平等的机会。政策制定者在同一政策中规定，将定期分析该政策的有效性，以决定其继续或即兴发挥。这里试图科学地分析这项政策的有效性，并提出可能的改进建议。根据对熵的理解，旨在鼓励平等的保留政策等政策必须与社会熵的增加相关联。经过仔细的数学分析，这里表明，目前形式的政策旨在在短期情景中增加社会的熵，但从长远来看是等熵政策。已经提出了一种方法来补充该策略以使熵有效且永久地增加。

一种预测人工智能论文语义关系的方法

原文标题： A Method to Predict Semantic Relations on Artificial Intelligence Papers

地址： http://arxiv.org/abs/2201.10518

作者： Francisco Andrades, Ricardo Ñanculef

摘要： 预测大型演进网络中链路的出现是一项具有许多实际应用的艰巨任务。最近，Science4cast 竞赛展示了这一挑战，展示了一个由 64.000 个 AI 概念组成的网络，并要求参与者预测未来将共同研究哪些主题。在本文中，我们基于一系列新的深度学习方法，即图神经网络，提出了该问题的解决方案。挑战的结果表明，即使我们必须施加严格的限制来获得计算效率高且简约的模型，我们的解决方案仍然具有竞争力：忽略图的内在动态并仅使用目标链接周围的一小部分节点。本文提出的初步实验表明，该模型正在学习两种相关但不同的模式：子图对节点的吸收和更密集子图的联合。该模型似乎擅长识别第一种模式。

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。