• 基于样本的网络推断和影响力最大化;
• 通过邻域 Wasserstein 重建的图自动编码器;
• 使用 XGBoost 和概率混合模型模拟用户级 Twitter 活动;

基于样本的网络推断和影响力最大化

原文标题： Network Inference and Influence Maximization from Samples

地址： http://arxiv.org/abs/2106.03403

作者： Zhijie Zhang, Wei Chen, Xiaoming Sun, Jialin Zhang

摘要： 影响力最大化是在社会网络中选择少量种子节点以最大化从这些种子传播的影响力的任务。在过去的二十年里，它已被广泛研究。在规范设置中，社会网络及其扩散参数作为输入给出。在本文中，我们考虑了更现实的采样设置，其中网络未知，我们只有一组被动观察的级联，记录每个扩散步骤中激活节点的集合。我们研究了这些级联样本 (IMS) 的影响最大化任务，并在种子集分布的温和条件下为其提供了常数逼近算法。为了实现优化目标，我们还为网络推理问题提供了一种新颖的解决方案，即从级联数据中学习扩散参数和网络结构。与之前的解决方案相比，我们的网络推理算法需要更弱的假设，并且不依赖于最大似然估计和凸规划。我们的 IMS 算法通过允许恒定的近似比来增强学习然后优化方法，即使在扩散参数难以学习的情况下，我们也不需要任何与网络结构或扩散参数相关的假设。

通过邻域 Wasserstein 重建的图自动编码器

原文标题： Graph Auto-Encoder Via Neighborhood Wasserstein Reconstruction

地址： http://arxiv.org/abs/2202.09025

作者： Mingyue Tang, Carl Yang, Pan Li

摘要： 图神经网络（GNN）最近引起了广泛的研究关注，主要是在半监督学习的背景下。当首选与任务无关的表示或监督根本不可用时，自动编码器框架会派上用场，它具有用于无监督 GNN 训练的自然图重建目标。然而，现有的图自动编码器旨在重建直接链接，因此以这种方式训练的 GNN 仅针对面向邻近的图挖掘任务进行优化，并且在拓扑结构很重要时会达不到要求。在这项工作中，我们重新审视了 GNN 的图编码过程，该过程本质上是学习将每个节点的邻域信息编码为嵌入向量，并提出了一种新的图解码器，通过 Neighborhood Wasserstein Reconstruction 重建有关邻近度和结构的整个邻域信息。西北地区）。具体来说，从每个节点的 GNN 嵌入中，NWR 联合预测其节点度和邻居特征分布，其中分布预测采用基于 Wasserstein 距离的最优传输损失。在合成和真实世界网络数据集上的大量实验表明，使用 NWR 学习的无监督节点表示在面向结构的图挖掘任务中具有更大的优势，同时在面向邻近的任务中也具有竞争性能。

使用 XGBoost 和概率混合模型模拟用户级 Twitter 活动

原文标题： Simulating User-Level Twitter Activity with XGBoost and Probabilistic Hybrid Models

地址： http://arxiv.org/abs/2202.08964

作者： Fred Mubang, Lawrence Hall

摘要： Volume-Audience-Match 模拟器或 VAM 被应用于预测 Twitter 上与国际经济事务相关的未来活动。应用 VAM 进行时间序列预测以预测：（1）总活动数，（2）活跃老用户数，以及（3）从预测开始时间开始的 24 小时内的新活跃用户数。 VAM 然后使用这些体积预测来执行用户链路预测。在未来的 24 个时间步中，每个活动都分配了一个用户-用户边。 VAM 在时间序列和用户分配任务中都大大优于一组基线模型

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。