• 主动指纹攻击下幂律二分网络的隐私限制;
• 我们能谈谈吗？地方政府环境中性别和网络关系的探索性研究;
• 基于局部优势指数的贪婪扩张网络社区检测;
• 通过基于分层注意力的图神经网络改进欺诈检测;
• 使用基于机器学习的方法在复杂网络中识别重要节点;
• 通过最大化速率降低进行几何图表示学习;
• 通过卷积神经网络学习属性网络的非对称嵌入;
• 无桩共享单车系统尺度律的涌现;
• 复杂网络中信息处理的路径积分方法：信息核心来自熵跃迁;

主动指纹攻击下幂律二分网络的隐私限制

原文标题： Privacy Limits in Power-Law Bipartite Networks under Active Fingerprinting Attacks

地址： http://arxiv.org/abs/2202.05895

作者： M. Shariatnasab, F. Shirani, Z. Anwar

摘要： 这项工作考虑了幂律二分网络中主动指纹攻击下的基本隐私限制。该场景自然出现在社会网络分析、跟踪无线网络中的用户移动性以及取证应用等领域。研究了一种随机增长的网络生成模型（称为基于流行度的模型），其中迭代生成二分网络，并且在每次迭代中，顶点根据其指定的流行度值吸引新边。结果表明，使用适当的初始流行度值选择，节点度分布遵循具有任意参数 alpha>2 的幂律分布，即度为 d 的节点比例与 d^- alpha。提出了一种主动指纹去匿名化攻击策略，称为增强信息阈值攻击策略（A-ITS），它利用攻击者对节点度分布的知识以及信息值的概念进行去匿名化。基于网络参数推导出A-ITS成功的充分条件。通过模拟表明，所提出的攻击明显优于最先进的攻击策略。

我们能谈谈吗？地方政府环境中性别和网络关系的探索性研究

原文标题： Can We Talk? An Exploratory Study of Gender and Network Ties in a Local Government Setting

地址： http://arxiv.org/abs/2202.05903

作者： Leisha DeHart-Davis, Nicole Humphrey, Travis A. Whetsell

摘要： 我们探讨了性别和正式组织地位对讨论联系形成的影响。通过调查美国市政机构的员工收集的网络数据获得了 92% 的响应率（n=143）。指数随机图建模的结果表明，女性主管更有可能发送讨论链接，而女性一般更可能收到讨论链接。这些探索性结果表明，女性在工作讨论中可能被认为更平易近人，但不是主管。最后，结果确定了讨论网络中性别的一致同质效应。

基于局部优势指数的贪婪扩张网络社区检测

原文标题： Detecting network communities via greedy expanding based on local superiority index

地址： http://arxiv.org/abs/2202.05958

作者： Junfang Zhu, Xuezao Ren, Peijie Ma, Kun Gao, Bing-Hong Wang, Tao Zhou

摘要： 社区检测是网络科学中一项重要且具有挑战性的任务。如今，社区检测的本地方法受到了很多关注。贪婪扩展是一类流行且高效的局部算法，它通常从一些选定的中心节点开始，通过优化一定的质量函数来扩展这些节点以获得临时社区。在本文中，我们提出了一种新的索引，称为局部优势指数（LSI），用于识别中心节点。在扩展过程中，我们应用适应度函数来估计临时社区的质量，并确保所有临时社区都必须是弱社区。基于归一化互信息的评估表明：（1）LSI 在大多数考虑的网络上优于全局最大度指数和局部最大度指数； (2) 基于 LSI 的贪心算法在大多数考虑的网络上优于经典的快速算法。

通过基于分层注意力的图神经网络改进欺诈检测

原文标题： Improving Fraud detection via Hierarchical Attention-based Graph Neural Network

地址： http://arxiv.org/abs/2202.06096

作者： Yajing Liu, Zhengya Sun, Wensheng Zhang

摘要： 图神经网络 (GNN) 已成为欺诈检测任务的强大工具，其中欺诈节点通过不同关系聚合邻居信息来识别。为了绕过这种检测，狡猾的欺诈者通过连接合法用户（即关系伪装）或提供看似合法的反馈（即特征伪装）来进行伪装。一种广泛使用的解决方案根据原始节点特征使用邻居选择器来加强 GNN 聚合过程。这种方法在识别欺诈者时可能存在局限性，不仅使用关系伪装，而且特征伪装使他们难以与合法邻居区分开来。在本文中，我们提出了一种用于欺诈检测的基于分层注意力的图神经网络（HA-GNN），它结合了不同关系的加权邻接矩阵来对抗伪装。这是在关系密度理论中提出的，并被用于形成基于分层注意力的图神经网络。具体来说，我们设计了一个关系注意模块来反映两个节点之间的联系强度，而一个邻域注意模块来刻画与图相关的长期结构亲和力。我们通过聚合来自本地/远程结构和原始节点特征的信息来生成节点嵌入。对三个真实世界数据集的实验证明了我们的模型优于最先进的模型的有效性。

使用基于机器学习的方法在复杂网络中识别重要节点

原文标题： Vital Node Identification in Complex Networks Using a Machine Learning-Based Approach

地址： http://arxiv.org/abs/2202.06229

作者： Ahmad Asgharian Rezaei, Justin Munoz, Mahdi Jalili, Hamid Khayyam

摘要： 重要节点识别是在复杂网络中寻找最重要节点的问题。这个问题在各种情况下都有重要的应用，例如病毒营销或控制病毒或谣言在现实世界网络中的传播。现有的重要节点识别方法主要集中在通过数学表达式刻画节点的重要性，该数学表达式直接将节点的结构特性与其生命力联系起来。尽管这些启发式方法在实践中取得了良好的性能，但它们的适应性较弱，并且它们的性能仅限于特定的设置和某些动态。受机器学习模型用于有效刻画不同类型的模式和关系的能力的启发，我们提出了一种基于机器学习的数据驱动方法来识别重要节点。主要思想是用图的一小部分（比如 0.5% 的节点）训练模型，然后对其余节点进行预测。通过模拟从列车节点开始的 SIR 扩散方法来计算列车数据的真实生命力。我们使用集体特征工程，其中网络中的每个节点都通过结合其连接性、度数和扩展核心性的元素来表示。在节点表示上训练了几个机器学习模型，但最好的结果是通过带有 RBF 内核的支持向量回归机实现的。实证结果证实，所提出的模型在选择的数据集上优于最先进的模型，同时它也显示出对动态参数变化的更大适应性。

通过最大化速率降低进行几何图表示学习

原文标题： Geometric Graph Representation Learning via Maximizing Rate Reduction

地址： http://arxiv.org/abs/2202.06241

作者： Xiaotian Han, Zhimeng Jiang, Ninghao Liu, Qingquan Song, Jundong Li, Xia Hu

摘要： 学习判别节点表示有利于图分析中的各种下游任务，例如社区检测和节点分类。现有的图表示学习方法（例如，基于随机游走和对比学习）仅限于最大化连接节点的局部相似性。这种成对学习方案可能无法刻画表示的全局分布，因为它对表示空间的全局几何属性没有明确的约束。为此，我们提出了几何图表示学习（G2R），通过最大化速率降低以无监督的方式学习节点表示。通过这种方式，G2R 将不同组中的节点（隐式存储在邻接矩阵中）映射到不同的子空间中，而每个子空间都是紧凑的，不同的子空间是分散分布的。 G2R 采用图神经网络作为编码器，并通过邻接矩阵最大限度地降低速率。此外，我们在理论上和经验上证明了速率降低最大化等效于最大化不同子空间之间的主角度。真实世界数据集的实验表明，G2R 在节点分类和社区检测任务上优于各种基线。

通过卷积神经网络学习属性网络的非对称嵌入

原文标题： Learning Asymmetric Embedding for Attributed Networks via Convolutional Neural Network

地址： http://arxiv.org/abs/2202.06307

作者： Mohammadreza Radmanesh, Hossein Ghorbanzadeh, Ahmad Asgharian Rezaei, Mahdi Jalili, Xinghuo Yu

摘要： 最近，网络嵌入由于其在促进链路预测、节点分类和节点聚类等网络计算任务方面的优势而受到越来越多的关注。网络嵌入的目标是在低维向量空间中表示网络节点，同时从原始网络中保留尽可能多的信息，包括结构、关系和语义信息。然而，有向网络的不对称性质带来了许多挑战，例如如何在嵌入过程中最好地保留边方向。在这里，我们提出了一种新的基于卷积图神经网络的深度不对称属性网络嵌入模型，称为 AAGCN。主要思想是最大限度地保留有向属性网络的非对称邻近性和非对称相似性。 AAGCN 引入了两种邻域特征聚合方案，分别将节点的特征与其内邻和外邻的特征进行聚合。然后，它为每个节点学习两个嵌入向量，一个源嵌入向量和一个目标嵌入向量。最终的表示是连接源和目标嵌入向量的结果。我们在三个真实世界网络上测试 AAGCN 的性能，用于网络重建、链路预测、节点分类和可视化任务。实验结果表明了 AAGCN 相对于最先进的嵌入方法的优越性。

无桩共享单车系统尺度律的涌现

原文标题： Emergence of scaling in dockless bike-sharing systems

地址： http://arxiv.org/abs/2202.06352

作者： Ruiqi Li, Ankang Luo, Fan Shang, Linyuan Lv, Jingfang Fan, Gang Lu, Limin Pan, Lixin Tian, H. Eugene Stanley

摘要： 人类流动的基本规律已经被广泛研究，但我们仍然缺乏对共享交通工具的流动模式的全面理解。由于旅行者在不久的将来很可能不再拥有自己的交通工具，因此旅行者和共享单车之间的相互作用是发展更可持续交通的核心问题。记录每次出行详细信息的无桩共享单车系统为我们提供了揭示骑行活动背后隐藏模式的独特机会。通过将每辆自行车视为一个单独的实体，我们揭示了自行车的移动性指标分布与人类有很大不同；城市间的流动模式甚至不一致。所有上述差异都可以通过一个以通用标度为特征的选择模型来很好地解释。我们的模型揭示了，不是在最新的自行车中进行选择，而是选择自行车的排名值在使用条件下的分布表现出一个截断的幂律，并且尽管存在各种差异，但在几个城市中相当稳定。我们的框架将对共享经济产生广泛影响，并有助于发展一个更绿色、更健康和更​​可持续的未来城市。

复杂网络中信息处理的路径积分方法：信息核心来自熵跃迁

原文标题： Path-integral approach to information processing in complex networks: information core emerges from entropic transitions

地址： http://arxiv.org/abs/2202.06669

作者： Pablo Villegas, Andrea Gabrielli, Francesca Santucci, Guido Caldarelli, Tommaso Gili

摘要： 复杂网络通常表现出在多个相互交织的尺度上组织的丰富架构。信息路径预计将遍布这些尺度，反映网络拓扑分析中未体现的结构洞察力。此外，小世界效应与不同的网络层次结构相关，使共存的介观结构和功能核心的识别变得复杂。我们基于信息扩散对整个复杂网络中的有效信息路径进行了可通信性分析，以进一步阐明这些问题。我们采用了各种全新的理论技术，允许：（i）引入理论框架来量化节点之间信息传播的概率，（iii）识别复杂网络的关键尺度和结构，而不考虑其内在属性，以及（iii ) 引入基于扩散距离的未来重整化组方法。通过和谐地结合这些想法，我们发现了复杂网络在不同分辨率尺度下的信息流。我们专注于使用计算技术的熵跃迁，揭示控制复杂网络中信息处理的通用中尺度功能结构。总而言之，这项研究为允许新的理论技术重新规范不同尺度的复杂空间结构提供了很多启示，并为探索复杂网络中的结构尺度不变性和普遍性提供了基础。

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。