• 加权有向随机点积图的在线变化点检测;
• 线性阈值模型中的异质同伴效应;
• 运气、原因和价格——帕累托2型分布;
• LAGOON：开源社区的分析工具;
• 从符号社交图学习立场嵌入;
• 信号博弈中同义词和同音词的稳定性与演化;
• 单纯形卷积滤波器;

加权有向随机点积图的在线变化点检测

原文标题： Online Change Point Detection for Weighted and Directed Random Dot Product Graphs

地址： http://arxiv.org/abs/2201.11222

作者： Bernardo Marenco, Paola Bermolen, Marcelo Fiori, Federico Larroca, Gonzalo Mateos

摘要： 给定一系列随机（有向和加权）图，我们解决了在线监控和检测底层数据分布变化的问题。我们的想法是为顺序变化点检测 (CPD) 技术赋予基于通用随机点积图 (RDPG) 模型的图表示学习基底。我们考虑了明智的监控功能的有效在线更新，它量化了流图观察和标称 RDPG 之间的差异。这个参考分布是通过序列中前几个图的谱嵌入来推断的。我们表征此运行统计的分布以选择保证错误率控制的阈值，并在简化的近似下，我们提供有关算法检测分辨率和延迟的见解。最终结果是一个轻量级的在线 CPD 算法，这也可以通过 RDPG 嵌入的广受好评的可解释性来解释。这与大多数现有的图 CPD 方法形成鲜明对比，后者要么依赖大量计算，要么存储和处理整个观察到的时间序列。 RDPG 模型的一个明显限制是它仅适用于无向图和无权图，我们旨在缩小差距以扩大 CPD 框架的范围。与之前的提议不同，我们用于加权图的非参数 RDPG 模型不需要权重分布的先验规范来执行推理和估计。这种网络建模贡献在 CPD 之外具有独立的兴趣。我们为加权和直接图提供了新颖的在线 CPD 算法的开源实现，其有效性和效率通过（可重现的）合成和真实网络数据实验得到证明。

线性阈值模型中的异质同伴效应

原文标题： Heterogeneous Peer Effects in the Linear Threshold Model

地址： http://arxiv.org/abs/2201.11242

作者： Christopher Tran, Elena Zheleva

摘要： 线性阈值模型是一种广泛使用的模型，用于描述信息如何通过社会网络传播。根据这个模型，一个人在他们的邻居采纳一个想法或产品的比例达到一定阈值后，就会采纳它。线性阈值模型的典型应用假设所有网络节点的阈值都相同或随机分布，即使有些人可能比其他人更容易受到同伴压力的影响。为理解决个体层面的差异，我们提出了估计个体阈值的因果推理方法，可以更准确地预测个体是否以及何时会受到同龄人的影响。我们引入了异质同伴效应的概念，并开发了与线性阈值模型相对应的结构因果模型，并支持异质同伴效应的识别和估计。我们开发了两种用于个体阈值估计的算法，一种基于因果树，一种基于因果元学习器。我们在合成数据集和真实世界数据集上的实验结果表明，我们提出的模型可以更好地预测线性阈值模型中的个体级阈值，从而更准确地预测哪些节点会随着时间的推移而被激活。

运气、原因和价格——帕累托2型分布

原文标题： Luck, Reason, and the Price–Pareto type-2 Distribution

地址： http://arxiv.org/abs/2201.11456

作者： Grzegorz Siudem, Przemysław Nowak, Marek Gagolewski

摘要： 我们考虑了 DJPrice 模型的一个版本，用于书目网络的增长，其中在每次迭代中，根据偶然（均匀分布）和优先（富-致富）规则的加权组合随机分配恒定数量的引文.我们不依赖典型的主方程方法，而是根据秩大小分布来制定和解决这个问题。我们表明，渐近地，这样的过程导致帕累托 2 型分布，具有吸引人的可解释参数化。我们证明了以等级大小分布表示的价格模型的解决方案与独立帕累托样本中订单统计的期望值一致。我们研究了基础模型参数的三个表现良好的估计量的偏差和均方误差。对大型学术论文库的实证分析不仅可以很好地拟合分布的尾部（在幂律框架中通常是这种情况），而且可以跨越整个领域。有趣的是，与以前的研究相比，估计的模型表明优先附加引用程度更高，随机性比例更小。

LAGOON：开源社区的分析工具

原文标题： LAGOON: An Analysis Tool for Open Source Communities

地址： http://arxiv.org/abs/2201.11657

作者： Sourya Dey, Walt Woods

摘要： 本文介绍了 LAGOON——一个用于理解开源软件 (OSS) 社区复杂生态系统的开源平台。该平台目前利用时空图来存储和调查这些社区产生的工件，并帮助分析师识别可能危及 OSS 项目安全性的不良行为者。 LAGOON 提供了从几个常见来源提取的工件，包括源代码存储库、问题跟踪器、邮件列表和从项目网站抓取内容。摄取利用模块化架构，支持来自数据源的增量更新，并提供通用身份融合流程，可以跨不同账户识别相同的社区成员。提供了一个用户界面，用于可视化和探索 OSS 项目的完整社会技术图。提供脚本用于应用机器学习来识别数据中的模式。虽然目前的重点是识别 Python 社区中的不良行为者，但该平台的可重用性使其可以通过新数据和分析轻松扩展，为 LAGOON 成为评估各种基于 OSS 的项目及其社区的综合手段铺平了道路。

从符号社交图学习立场嵌入

原文标题： Learning Stance Embeddings from Signed Social Graphs

地址： http://arxiv.org/abs/2201.11675

作者： John Pougué-Biyong, Akshay Gupta, Aria Haghighi, Ahmed El-Kishky

摘要： 社会网络分析的一个关键挑战是理解图表中人们在大量主题上的位置或立场。虽然过去的工作已经使用签名图对社会网络中的（不）同意进行了建模，但这些方法并未对一系列相关主题的同意模式进行建模。例如，在一个主题上的分歧可能会使相关主题更有可能产生分歧（或一致）。我们提出了姿态嵌入模型（SEM），它联合学习每个用户和主题在签名社交图中的嵌入，每个主题具有不同的边类型。通过联合学习用户和主题嵌入，SEM 能够执行冷启动主题立场检测，预测用户对我们尚未观察到他们参与的主题的立场。我们使用我们开源的两个大型 Twitter 签名图数据集证明了 SEM 的有效性。一个数据集 TwitterSG 使用用户之间通过推文的互动来标记（不）协议，以得出主题知情的签名边。另一个，BirdwatchSG，利用关于错误信息和误导性内容的社区报告。在 TwitterSG 和 BirdwatchSG 上，SEM 显示，与强基线相比，错误分别减少了 39% 和 26%。

信号博弈中同义词和同音词的稳定性与演化

原文标题： Stability and evolution of synonyms and homonyms in signaling game

地址： http://arxiv.org/abs/2201.11680

作者： Dorota Lipowski, Adam Lipowski

摘要： 同义词和同音词出现在所有自然语言中。我们在信号博弈的框架内分析它们的演变。我们模型中的主体使用强化学习，其中选择交流词或其解释的概率取决于等于累积成功交流次数的权重。当概率随权重线性增加时，同义词显得非常稳定，同义词下降相对较快。这种行为似乎与语言观察不一致。当概率比权重线性增长更快时，可以获得更好的一致性。我们的结果可能表明，某种积极的反馈，即所谓的梅特卡夫定律，可能会驱动一些语言过程。我们模型中同义词和同音词的演变可以使用某个非线性瓮模型来近似描述。

单纯形卷积滤波器

原文标题： Simplicial Convolutional Filters

地址： http://arxiv.org/abs/2201.11720

作者： Maosheng Yang, Elvin Isufi, Michael T. Schaub, Geert Leus

摘要： 我们研究线性滤波器，用于处理建模为单纯复形的抽象拓扑空间上支持的信号，这可以解释为说明节点、边、三角形面等的图的概括。为了处理这些信号，我们开发了定义为矩阵多项式的单纯卷积滤波器下霍奇拉普拉斯算子和上霍奇拉普拉斯算子。首先，我们研究了这些滤波器的特性，并表明它们是线性的和移位不变的，以及排列和方向等变的。这些滤波器也可以以计算复杂度低的分布式方式实现，因为它们仅涉及（多轮）上相邻和下相邻单纯形之间的单纯形移位。其次，关注边流，我们研究了这些滤波器的频率响应，并研究了如何使用霍奇分解来描绘梯度、卷曲和谐波频率。我们讨论了这些频率如何分别对应于下相邻耦合和上相邻耦合以及霍奇拉普拉斯算子的内核，并且可以通过我们的滤波器设计独立调整。第三，我们研究了设计单纯卷积滤波器的不同程序并讨论了它们的相对优势。最后，我们在几个应用中证实了我们的单纯滤波器：提取单纯信号的不同频率分量，去噪边流，以及分析金融市场和交通网络。

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。