• 具有协变量的网络的贝叶斯社区检测;
• TIGGER：时间交互图的可扩展生成建模;
• 预算生成树问题中的单位扰动;
• 所有人都需要理解共享微移动仿真：全面综述;
• 使用随机模拟探索不同投票规则下基于地区的多党选举的公平性;
• 显式学生向量估计和无监督问题矩阵学习用于认知诊断;
• 复杂网络中的自组织爆炸同步：同步炸弹的出现;
• 用于社区检测的高阶近似合并、对称和图正则化非负矩阵分解;
• 间接互惠连续模型的二阶微扰理论;
• 基于超图神经网络的超网络分解的介数逼近;
• 单轨地图方程;
• 机器人不投票，但他们肯定让人困扰！全民公投中的异常帐户研究;
• Twitter 与撤回文章的互动：谁、何时以及如何？;
• 人口动力学中的力概念;

具有协变量的网络的贝叶斯社区检测

原文标题： Bayesian community detection for networks with covariates

地址： http://arxiv.org/abs/2203.02090

作者： Luyi Shen, Arash Amini, Nathaniel Josephs, Lizhen Lin

摘要： 网络数据在各个领域的日益普及以及从中提取有用信息的需求推动了相关模型和算法的快速发展。在网络数据的各种学习任务中，社区检测、节点簇或“社区”的发现可以说是科学界最关注的问题。在许多实际应用中，网络数据通常带有节点或边协变量形式的附加信息，理想情况下应该利用这些信息进行推理。在本文中，我们通过提出具有协变量相关随机分区先验的贝叶斯随机块模型，增加了有限的关于具有协变量的网络的社区检测的文献。在我们的先验条件下，协变量在指定集群成员资格的先验分布时明确表示。我们的模型具有对包括社区成员在内的所有参数估计的不确定性进行建模的灵活性。重要的是，与大多数现有方法不同，我们的模型能够通过后验推断来学习社区的数量，而不必假设它是已知的。我们的模型可以应用于密集和稀疏网络中的社区检测，具有分类和连续协变量，并且我们的 MCMC 算法非常有效，具有良好的混合特性。我们在综合模拟研究和两个真实数据集的应用中展示了我们的模型优于现有模型的性能。

TIGGER：时间交互图的可扩展生成建模

原文标题： TIGGER: Scalable Generative Modelling for Temporal Interaction Graphs

地址： http://arxiv.org/abs/2203.03564

作者： Shubham Gupta, Sahil Manchanda, Srikanta Bedathur, Sayan Ranu

摘要： 最近在学习图的生成模型方面出现了激增。虽然静态图已经取得了令人瞩目的进展，但含时图的生成建模工作仍处于初期阶段，有很大的改进空间。首先，现有的生成模型不随时间范围或节点数量而扩展。其次，现有技术本质上是转换性的，因此不利于知识转移。最后，由于依赖于从源到生成图的一对一节点映射，现有模型会泄漏节点身份信息，并且不允许放大/缩小源图大小。在本文中，我们使用一种名为 TIGGER 的新型生成模型来弥补这些差距。 TIGGER 通过将时间点过程与自回归建模相结合来获得其强大的功能，从而支持转导和归纳变体。通过对真实数据集的广泛实验，我们确定 TIGGER 生成的图具有卓越的保真度，同时也比最先进的技术快 3 个数量级。

预算生成树问题中的单位扰动

原文标题： Unit Perturbations in Budgeted Spanning Tree Problems

地址： http://arxiv.org/abs/2203.03697

作者： Hassene Aissi, Solal Attias, Da Qi Chen, R. Ravi

摘要： 图的最小生成树是一种经过充分研究的结构，是无数图论和优化问题的基础。我们研究最小生成树 (MST) 扰动问题，其目标是花费固定预算来增加边的权重，以尽可能地增加 MST 的权重。两种流行的扰动模型是体积扰动和连续扰动。在体模型中，任何边的权重都可以只增加一次到某个预定的权重。在连续模型中，可以支付一小部分成本以按比例增加任何边的权重。 Frederickson 和 Solis-Oba citeFS96 研究了这两个模型并表明 MST 的体扰动与 k-cut 问题一样困难，而连续扰动模型可以在多时间内求解。在本文中，我们研究了该问题的中间单位扰动变化，其中每个边的权重可以增加多次，但每次都增加一个整数单位量。我们在多项式时间内提供了一个(opt/2 -1)-近似值，其中opt 是权重的最佳增加。我们还研究了该问题的相关双目标版本，其目标是通过目标量增加 MST 的权重，同时最小化扰动成本。我们为此变化提供了 2 美元的近似值。此外，我们表明，假设小集扩展假设，这两个问题都很难近似。我们还指出了 Frederickson 和 Solis-Oba 在 citeFS96 中提供的证明中关于他们对连续扰动模型的解决方案的错误。尽管他们的算法是正确的，但他们的分析是有缺陷的。我们在这里提供一个正确的证明。

所有人都需要理解共享微移动仿真：全面综述

原文标题： All one needs to know about shared micromobility simulation: a complete survey

地址： http://arxiv.org/abs/2203.03707

作者： Yixuan Liu, Yuhan Tang, Yati Liu

摘要： 随着共享微型交通成为我们日常生活和环境的一部分，我们预计用于第一英里和最后一英里旅行的低速模式的数量将迅速增长。共享微移动预计将为数十亿人服务，为我们带来相当大的优势。随着这种增长，共享微型移动模拟，例如基于停靠站的共享自行车、无停靠共享自行车和电动滑板车，被认为是处理大量第一英里和最后一英里旅行的有希望的解决方案。在本文中，我们首先全面概述了共享微移动仿真及其相关验证指标。接下来，我们对共享微移动仿真的研究课题进行分类，对现有工作进行总结和分类。最后，为进一步研究提供了挑战和未来方向。

使用随机模拟探索不同投票规则下基于地区的多党选举的公平性

原文标题： Exploring Fairness in District-based Multi-party Elections under different Voting Rules using Stochastic Simulations

地址： http://arxiv.org/abs/2203.03720

作者： Adway Mitra

摘要： 许多民主社会使用以地区为基础的选举，其中所考虑的地区在地理上被划分为多个地区，并根据居住在那里的选民的偏好为每个地区选择一名代表。 These representatives belong to political parties, and the executive powers are acquired by that party which has a majority of the elected district representatives.在大多数系统中，每个选民都可以表达对一位候选人的偏好，尽管他们可能拥有候选人/政党的完整或部分排名。我们表明，这可能导致许多选民对选举结果不满意的情况，这在民主国家是不可取的。结果可能偏向特定政党的支持者，而反对其他政党。受当前有关机器学习算法公平性的文献的启发，我们定义了公平度量来量化选民的满意度，而不管他们的政治选择如何。我们还考虑使用投票规则和排名聚合概念的替代选举政策，以使选民能够表达他们的详细偏好，而不会使选举过程变得繁琐或不透明。然后，我们在蒙特卡洛模拟的帮助下，使用上述公平措施评估这些政策。这种模拟是使用拟议的选举模拟随机模型获得的，该模型考虑了选民的社区身份及其在影响他们的居住地和政治偏好中的作用。我们表明，该模型可以模拟印度实际的多党选举。通过广泛的模拟，我们发现允许选民提供 2 个偏好可以减少不同政党的支持者在选举结果方面的差距。

显式学生向量估计和无监督问题矩阵学习用于认知诊断

原文标题： Cognitive Diagnosis with Explicit Student Vector Estimation and Unsupervised Question Matrix Learning

地址： http://arxiv.org/abs/2203.03722

作者： Lu Dong, Zhenhua Ling, Qiang Ling, Zefeng Lai

摘要： 认知诊断是许多教育应用中的一项基本任务。文献中设计了许多解决方案。确定性输入、噪声“与”门 (DINA) 模型是经典的认知诊断模型，可以提供可解释的认知参数，例如学生向量。但是，DINA 的概率部分的假设太强了，因为它假设问题的失误率和猜测率与学生无关。此外，记录认知诊断领域问题技能分布的问题矩阵（即Q-matrix）往往需要领域专家给出精确的标注。因此，我们提出了一种显式学生向量估计（ESVE）方法，通过局部自洽测试来估计 DINA 的学生向量，该方法不依赖于 DINA 概率部分的任何假设。然后，基于估计的学生向量，可以将 DINA 的概率部分修改为与学生向量相关的滑动率和猜测率的学生依赖模型。此外，我们提出了一种称为启发式双向校准算法 (HBCA) 的无监督方法来自动标记 Q 矩阵，该方法将问题难度关系和答案结果连接起来进行初始化，并使用 ESVE-DINA 的容错性进行校准。在两个真实世界数据集上的实验结果表明，ESVE-DINA 在精度上优于 DINA 模型，并且在使用相同的模型结构时，HBCA 自动标记的 Q-matrix 可以达到与手动标记的 Q-matrix 相当的性能.

复杂网络中的自组织爆炸同步：同步炸弹的出现

原文标题： Self-organized explosive synchronization in complex networks: Emergence of synchronization bombs

地址： http://arxiv.org/abs/2203.03728

作者： Lluís Arola-Fernández, Sergio Faci-Lázaro, Per Sebastian Skardal, Emanuel-Cristian Boghiu, Jesús Gómez-Gardeñes, Alex Arenas

摘要： 我们将同步炸弹的概念引入为耦合异构振荡器的大型网络，这些振荡器在双稳态状态下运行，并通过添加（或删除）一个或几个链接突然从不相干转变为锁相（反之亦然）。在这里，我们通过在由本地规则驱动的竞争性链接渗透过程中优化全局同步与分散信息，构建了这些炸弹的自组织和随机版本。我们在新兴的网络结构上发现了爆炸性指纹，包括频率度相关性、不分类模式和延迟渗透阈值。我们表明，这些类似炸弹的跃迁既可以在 Kuramoto 周期振荡器和 R”ossler 混沌振荡器系统中设计，也可以在心脏起搏器细胞模型中设计。我们通过结合精确的集体坐标方法和 Ott-Antonsen ansatz。此外，我们研究了主要参数变化下现象的鲁棒性以及模型中最优噪声的意外影响。我们的结果提出了网络增长的最小自组织机制来理解并控制自适应生物系统（如大脑）和工程系统（如电网或电子电路）中的爆炸同步。从理论的角度来看，由局部结构扰动引起的同步爆炸和双稳态的出现 - 无需对全局参数进行任何微调 - 加入同一机制框架下的爆炸性同步和渗透。

用于社区检测的高阶近似合并、对称和图正则化非负矩阵分解

原文标题： High-order Order Proximity-Incorporated, Symmetry and Graph-Regularized Nonnegative Matrix Factorization for Community Detection

地址： http://arxiv.org/abs/2203.03876

作者： Zhigang Liu, Xin Luo

摘要： 社区描述了网络的功能机制，使社区检测成为社交圈发现等各种实际应用的基础图工具。迄今为止，由于其高可解释性和可扩展性，经常采用对称和非负矩阵分解 (SNMF) 模型来解决此问题。然而，大多数现有的基于 SNMF 的社区检测方法都忽略了网络中的高阶连接模式。受这一发现的启发，在本文中，我们提出了一种结合了高阶接近 (HOP)、对称和图正则化 NMF (HSGN) 模型，该模型采用以下三重思想：a) 采用加权逐点互信息 (基于 PMI) 的方法来测量网络中节点之间的 HOP 指数； b) 利用迭代重建方案将刻画的 HOP 编码到网络中； c) 引入对称和图正则化 NMF 算法来准确检测社区。对八个真实世界网络的广泛实证研究表明，基于 HSGN 的社区检测器在提供高度准确的社区检测结果方面明显优于基准和最先进的社区检测器。

间接互惠连续模型的二阶微扰理论

原文标题： A second-order perturbation theory for the continuous model of indirect reciprocity

地址： http://arxiv.org/abs/2203.03920

作者： Sanghun Lee, Yohsuke Murase, Seung Ki Baek

摘要： 声誉是维持人类合作的关键机制之一，但如果考虑到声誉因评估错误而无法达成共识的可能性，其分析就会变得复杂。如果我们假设声誉和合作不采用二元值而是具有连续的谱，那么困难就会减轻，这样就可以通过微扰理论来分析关于声誉的分歧。在这项工作中，我们假设每个人最初都以良好的声誉合作，通过将声誉的动态扩展到二阶扰动来进行分析。二阶理论阐明了形象评分和简单站立之间的区别，因为对知名玩家的背叛应被视为有利于维持合作。此外，前八名之间的比较表明，如果两个臭名昭著的玩家之间的合作被认为是糟糕的，那么正当惩罚的稳定效果就会减弱。因此，我们的分析解释了简单站立如何通过允许合理的惩罚以及在评估合作时忽略不相关的信息来实现高水平的稳定性。这一观察表明，当声誉受到噪音干扰时，哪些因素会影响社会规范的稳定性。

基于超图神经网络的超网络分解的介数逼近

原文标题： Betweenness Approximation for Hypernetwork Dismantling with Hypergraph Neural Network

地址： http://arxiv.org/abs/2203.03958

作者： Dengcheng Yan, Wenxin Xie, Yiwen Zhang

摘要： 网络拆解（ND）的目的是找到一组最佳节点，删除这些节点会大大降低网络连接性。然而，目前的拆解方法主要集中在传统的简单网络上，它只考虑两个节点之间的成对交互，而超网络可以对任意节点之间的高阶群关系进行建模，更适合对现实世界进行建模。由于简单网络和超网络的结构差异，目前的拆解方法不能直接应用于超网络的拆解。虽然超网络中的一些中心性度​​量可以用于超网络的拆解，但它们面临着平衡效果和效率的问题。因此，在本文中，我们提出了一种基于超图神经网络的新型 HyperNetwork Dismantling 方法，称为 HND。具体来说，我们的方法首先在合成超网络生成器的帮助下生成大量节点排序样本。然后，基于超图神经网络建立了超网络中的节点介数逼近模型。并且该模型在上一步生成的那些排名样本上进行训练，直到收敛。最后，训练有素的模型用于近似现实世界超网络中节点的介数，并进一步用于分解。为了确认我们方法的有效性，我们对五个真实世界的超网络进行了广泛的实验。实验结果表明，HND 优于各种基线。

单轨地图方程

原文标题： Single-trajectory map equation

地址： http://arxiv.org/abs/2203.04044

作者： Tatsuro Kawamoto

摘要： 社区检测是研究网络数据的一种有效方法。地图方程是一个特别流行的框架，并且已经提出了这种方法的几个扩展。在这里，我们重新审视地图方程的原始公式，并考虑其“原始形式”，我们将其称为单轨迹地图方程。地图方程需要一个网络作为输入，并考虑网络上随机游走的流动，而单轨迹地图方程需要一组步行者走过的轨迹。我们研究了这些公式是如何相关的，并表明单轨迹地图方程是一种社区检测方法，可提供更粗分辨率的分区，这意味着它可以防止地图方程中分辨率过高的问题。

机器人不投票，但他们肯定让人困扰！全民公投中的异常帐户研究

原文标题： Bots don’t Vote, but They Surely Bother! A Study of Anomalous Accounts in a National Referendum

地址： http://arxiv.org/abs/2203.04135

作者： Eduardo Graells-Garrido, Ricardo Baeza-Yates

摘要： Web 包含多个用于讨论、交流想法和发布内容的社交媒体平台。这些平台被人们使用，但也被称为机器人的分布式主体使用。尽管机器人已经存在了几十年，其中许多是仁慈的，但它们在过去几年传播和产生欺骗性信息方面的影响力有所增加。在这里，我们对 Twitter 上关于 2020 年智利宪法公投的讨论进行了描述。表征使用面向配置文件的分析，可以使用机器学习隔离异常内容。结果，我们获得了与全国投票率相匹配的特征，并且我们测量了异常账户（其中一些是自动机器人）如何产生内容和互动宣传（虚假）信息。

Twitter 与撤回文章的互动：谁、何时以及如何？

原文标题： Twitter Engagement with Retracted Articles: Who, When, and How?

地址： http://arxiv.org/abs/2203.04228

作者： Rod Abhari, Nicholas Vincent, Henry K. Dambanemuya, Herminio Bodon, Emőke-Ágnes Horvát

摘要： 在社交媒体上讨论的撤回研究可能会传播错误信息，但我们对学术和非学术用户如何提及撤回的文章缺乏理解。由于该平台在科学传播中的突出作用，这在 Twitter 上尤为重要。在这里，我们分析了 3,800 多篇被撤回的英文文章以及类似的非撤回文章在 Twitter 参与度指标和提及内容方面的撤回前后差异。我们根据监督学习分类器检测到的五种用户类型对这些发现进行分组：公众、科学家、机器人、从业者和科学传播者。我们发现，被撤稿的文章比未撤稿的文章获得更大的整体参与度，尤其是在公众成员和机器人用户中，大部分参与发生在撤稿之前。我们的研究结果强调了非科学家参与撤回文章的讨论，并建议 Twitter 有机会包括撤回通知功能。

人口动力学中的力概念

原文标题： The Concept of Force in Population Dynamics

地址： http://arxiv.org/abs/2203.04252

作者： John Hayward, Paul A. Roach

摘要： 人口动力学领域在使用常微分方程开发和分析生物和社会现象模型方面有着丰富的历史。本文描述了一种在力等模型中理解一个变量对另一个变量的影响的方法，这些力的相对影响提供了对变量行为曲率的叙述性解释。使用模型的存量/流量形式，开发了一种符号符号，用于识别具有模型反馈回路的因果路径的力。力通过其影响来衡量，定义为加速度与变化率的比率，通过沿其相关路径在变量之间的微分计算。确定力优势的不同阶段以增强模型的标准稳定性分析，以牛顿力学术语解释模型行为。所开发的概念适用于数学生物学中的著名模型：云杉芽虫模型，其中力优势识别出能够明确干预点的场景；和 Lotka-Volterra 捕食者 - 猎物模型，其中分析强调了耗散力在实现稳定性方面的重要性。结论是基于这种方法的解释力得出的，并对未来的工作提出了建议。

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。