• 金融网络上偿付能力传染动力学的降维;
• 使用谷歌学术数据建立量子退火计算和信息研究网络;
• 通过社会网络中的边建议最大化公平内容传播;
• LFGCF：用于标签感知推荐的 Light Folksonomy Graph 协同过滤;
• 股市动态中的复发措施和转变;
• 传输神经网络：从病毒传播模型到神经网络;
• 网络结构偏好对节点分类和链路预测的影响;
• 估计社交媒体上代表性不足的用户的主题曝光;
• 网络拓扑和特征分布对集体决策的影响;
• 弥合差距：在线和离线 COVID-19 数据之间的共性和差异;
• 容量受限的拼车车队的集体动态;
• 选民模型中持续老化的分析和数值处理;
• 数字孪生：潜力、伦理问题和局限性;

金融网络上偿付能力传染动力学的降维

原文标题： Dimensional Reduction of Solvency Contagion Dynamics on Financial Networks

地址： http://arxiv.org/abs/2207.11491

作者： Gianmarco Ricciardi, Guido Montagna, Guido Caldarelli, Giulio Cimini

摘要： 使用网络对系统进行建模一直是控制多种现象复杂性的有效方法。不幸的是，由于需要考虑大量变量，这种方法常常变得困难。降维方法是将复杂的动态网络重新尺度为低维有效系统的有用工具，从而刻画动态的全局特征。在这里，我们研究了度加权和谱约简方法在网络上一类重要的动态过程中的应用：银行间网络中信用冲击的传播，根据 DebtRank 算法建模。特别是，我们介绍了一个有效的动力学版本，其特征是具有连续导数的函数，可以通过降维处理。我们针对不同银行间市场环境中的完整动态系统测试了简化方法：从最先进的重建方法生成的同质和异构网络以及从经验 e-MID 数据派生的网络。我们的结果表明，对于银行违约概率的正确选择，减少方法能够提供市场系统性风险的可靠估计，而谱减少可以更好地处理异构网络。最后，我们对降维方法的性质和工作原理提供了新的物理见解。

使用谷歌学术数据建立量子退火计算和信息研究网络

原文标题： Development of research network on Quantum Annealing Computation and Information using Google Scholar data

地址： http://arxiv.org/abs/2206.02176

作者： Antika Sinha

摘要： 我们建立并分析了从 1980 年初到去年的一百个顶级被引节点（来自 Google Scholar 的研究论文和书籍；节点的强度或引用范围从大约 44000 到 100 个）的网络。这些搜索的出版物（论文、书籍）基于量子退火计算和信息，分为四个不同的集合：A）量子/横向场自旋玻璃模型，B）量子退火，C）量子绝热计算和 D）量子计算信息检索到的出版物的标题或摘要。我们将这四个类别 A 到 D 中每一个的年出版数量（n_p）的增长拟合为 n_p simexp(t/tau) 的形式，其中 t 表示在年。我们发现 A 类和 C 类的尺度时间 tau 约为 10 年，而 B 类和 D 类的尺度时间 tau 约为 5 年。

通过社会网络中的边建议最大化公平内容传播

原文标题： Maximizing Fair Content Spread via Edge Suggestion in Social Networks

地址： http://arxiv.org/abs/2207.07704

作者： Ian P. Swift, Sana Ebrahimi, Azade Nova, Abolfazl Asudeh

摘要： 内容传播不公平是在线社会网络中一个潜在的不公平问题，对少数群体产生不同的影响。在本文中，我们将社会网络平台中的一个共同特征友谊建议视为实现内容公平传播的机会。特别是，我们建议提出一个潜在边的子集（目前不存在于网络中，但可能被接受），以在实现公平的同时最大化内容传播。我们的提议不是重新设计现有系统，而是在现有友谊建议组件之上构建一个公平包装器。我们证明了这个问题是 NP-hard 并且在多项式时间内不可近似，除非 P = NP。因此，为了放宽公平约束，我们提出了一种基于 LP 松弛和随机舍入的算法，在公平性和内容传播方面具有固定的近似比率。我们提供了多项优化，进一步提高了我们算法在实践中的性能。此外，我们提出了一种可扩展的算法，该算法动态添加通过迭代采样选择的节点子集，并解决与这些节点相对应的较小问题。除了理论分析外，我们还对真实和合成数据集进行了综合实验。在不同的设置中，我们的算法找到了接近零不公平性的解决方案，同时显著增加了内容传播。我们的可扩展算法可以在一台机器上处理具有 50 万个节点的图，将不公平性降低到 0.0004 左右，同时将内容传播提高 43%。

LFGCF：用于标签感知推荐的 Light Folksonomy Graph 协同过滤

原文标题： LFGCF: Light Folksonomy Graph Collaborative Filtering for Tag-Aware Recommendation

地址： http://arxiv.org/abs/2208.03454

作者： Yin Zhang, Can Xu, XianJun Wu, Yan Zhang, LiGang Dong, Weigang Wang

摘要： 标签感知推荐是一项通过用户的标签行为为用户预测个性化项目列表的任务。对于许多具有标记功能（如 last.fm 或 movielens）的应用程序来说，这至关重要。最近，人们致力于使用图卷积网络 (GCN) 改进标签感知推荐系统 (TRS)，这已成为一般推荐的最新技术。然而，一些解决方案是直接从 GCN 继承而来，没有任何理由，难以缓解标签引入的稀疏性、模糊性和冗余性问题，从而增加了训练难度，降低了推荐性能。在这项工作中，我们旨在简化 GCN 的设计，使其对 TRS 更简洁。我们提出了一种新的标签感知推荐模型，名为 Light Folksonomy Graph Collaborative Filtering (LFGCF)，它只包含基本的 GCN 组件。具体来说，LFGCF 首先从用户分配标签和项目获得标签的记录中构建 Folksonomy Graphs。然后，我们利用聚合的简单设计来学习 Folksonomy Graphs 上的高阶表示，并使用在多个层中学习到的嵌入的加权和进行信息更新。我们共享标签嵌入以弥合用户和项目之间的信息鸿沟。此外，提出了一个名为 TransRT 的正则化函数来更好地描述用户偏好和项目特征。对三个真实世界数据集的广泛超参数实验和消融研究表明，LFGCF 使用更少的参数，并且显著优于标签感知 top-N 推荐的大多数基线。

股市动态中的复发措施和转变

原文标题： Recurrence measures and transitions in stock market dynamics

地址： http://arxiv.org/abs/2208.03456

作者： Krishnadas M., K. P. Harikrishnan, G. Ambika

摘要： 金融市场被理解为复杂的动态系统，其动态分析主要使用通常来自股票市场的非平稳和简短数据集。对于此类数据集，可靠的分析方法是基于研究期间的数据集构建的递归图和递归网络。在这项研究中，我们使用基于重复的测量方法对全球 26 个市场的潜在动态的复杂性进行了全面分析。我们还通过 2008 年全球金融危机期间沿时间序列的滑动窗口分析，研究了这些措施所揭示的转变性质的趋势，并将其与最近与大流行相关的封锁期间的变化进行了比较。我们表明，从重复模式得出的度量可用于捕捉股票市场动态转变的性质。我们的研究表明，2008 年左右的变化表明随机性驱动的转变，这与大流行期间的转变不同。

传输神经网络：从病毒传播模型到神经网络

原文标题： Transmission Neural Networks: From Virus Spread Models to Neural Networks

地址： http://arxiv.org/abs/2208.03616

作者： Shuang Gao, Peter E. Caines

摘要： 这项工作将网络上的病毒传播模型与其等效的神经网络表示联系起来。基于这种联系，我们提出了一种新的神经网络架构，称为传输神经网络 (TransNNs)，其中激活函数主要与链接相关联，并且允许具有不同的激活级别。此外，这种联系导致了三个具有可调或可训练参数的新激活函数的发现和推导。此外，我们证明具有单个隐藏层和固定非零偏差项的 TransNN 是通用函数逼近器。最后，我们提出了基于 TransNNs 的连续时间流行病网络模型的新基本推导。

网络结构偏好对节点分类和链路预测的影响

原文标题： The Influence of Network Structural Preference on Node Classification and Link Prediction

地址： http://arxiv.org/abs/2208.03712

作者： Sarmad N. Mohammed, Semra Gündüç

摘要： 复杂网络分析的最新进展为不同领域的应用开辟了广泛的可能性。网络分析的能力取决于节点特征。基于拓扑的节点特征是局部和全局空间关系和节点连通性结构的实现。因此，收集有关节点特征和相邻节点的连接结构的正确信息在复杂网络分析中的节点分类和链路预测中起着最突出的作用。目前的工作引入了一种新的特征抽象方法，即转移概率矩阵（TPM），基于在特征向量上嵌入匿名随机游走。节点特征向量由从预定义半径内的行走集合中获得的转移概率组成。转移概率与局部连接结构直接相关，因此正确嵌入到特征向量中。所提出的嵌入方法的成功在三个常用的现实世界网络上的节点识别/分类和链路预测上进行了测试。在现实世界的网络中，具有相似连接结构的节点很常见；因此，从相似网络中获取信息以预测新网络是使所提出的算法在跨网络泛化任务方面优于最先进算法的显著特征。

估计社交媒体上代表性不足的用户的主题曝光

原文标题： Estimating Topic Exposure for Under-Represented Users on Social Media

地址： http://arxiv.org/abs/2208.03796

作者： Mansooreh Karami, Ahmadreza Mosallanezhad, Paras Sheth, Huan Liu

摘要： 在线社会网络 (OSN) 有助于访问各种数据，使研究人员能够分析用户行为并开发用户行为分析模型。这些模型严重依赖于观察到的数据，这些数据通常由于参与不平等而存在偏差。这种不平等由三组在线用户组成：潜伏者 - 仅消费内容的用户，参与者 - 对内容创建贡献很小的用户，以及贡献者 - 负责创建大部分在线内容的用户。在解释人口层面的兴趣或情绪时未能考虑所有群体的贡献可能会产生有偏见的结果。为了减少贡献者引起的偏见，在这项工作中，我们专注于突出参与者在观察到的数据中的贡献，因为与潜伏者相比，他们更有可能做出贡献，并且与贡献者相比，他们包含更多的人口。对这些用户进行行为分析的第一步是找到他们接触过但没有参与的主题。为此，我们提出了一个新的框架来帮助识别这些用户并估计他们的主题曝光率。通过合并来自类似贡献者的行为模式以及用户的人口统计和个人资料信息，对暴露估计机制进行建模。

网络拓扑和特征分布对集体决策的影响

原文标题： Effects of network topology and trait distribution on collective decision making

地址： http://arxiv.org/abs/2208.03809

作者： Pengyu Liu, Jie Jian

摘要： 社会网络在分析个人层面的互动对社会或经济结果的影响方面发挥着重要作用。我们为具有不同特征的个人社区建模交互式决策，由具有特征属性节点的社会网络表示。我们开发了一个确定性过程，根据特征归因的社会网络、个人的初始选择和一组预先确定的特征相关的决策规则，为每个人生成一系列选择。感兴趣的对象是对所有个体的累积选择和的序列，我们称之为累积序列，并将其视为集体决策的指标。我们观察到，在一段时间内，累积序列可能是不可预测的或可预测的，显示出重复的模式，要么升级到极端，要么不断振荡。我们认为可预测的累积序列代表社区的不稳定集体决策，无论是极端的还是内部冲突的，而不可预测的累积序列显示出稳定的变化。我们通过模拟分析了网络拓扑和特征分布对累积序列可预测、升级和振荡概率的影响。我们的研究结果包括，随着网络密度的增加，不稳定的集体决策更有可能发生，集中式网络更有可能做出不稳定的集体决策，以及过度聚集或分散的顺从者和反叛者的网络往往会产生不稳定的累积序列。我们讨论了该模型作为研究社会网络上具有不同特征的个体在决策中直接和间接交互的框架的潜力。

弥合差距：在线和离线 COVID-19 数据之间的共性和差异

原文标题： Bridging the Gap: Commonality and Differences between Online and Offline COVID-19 Data

地址： http://arxiv.org/abs/2208.03907

作者： Nayoung Kim, Ahmadreza Mosallanezhad, Lu Cheng, Baoxin Li, Huan Li

摘要： 随着 COVID-19 大流行的爆发，新闻媒体和社交媒体已成为传播和消费信息的中心工具。由于易于访问，用户从在线社交媒体（即在线新闻）和新闻媒体（即离线新闻）中寻找与 COVID-19 相关的信息。线上和线下新闻经常联系在一起，分享共同的话题，而每一个都有独特的、不同的话题。这两个新闻来源之间的差距可能导致错误信息的传播。例如，据《卫报》报道，大多数 COVID-19 错误信息来自社交媒体上的用户。如果不对社交媒体新闻进行事实核查，错误信息可能会导致健康威胁。在本文中，我们关注通过监测随着时间的推移产生的共同和不同主题来弥合在线和离线数据之间差距的新问题。我们使用 Twitter（在线）和本地新闻（离线）数据的时间跨度为两年。使用在线矩阵分解，我们分析和研究在线和离线 COVID-19 相关数据的差异和共性。我们设计实验来展示在线和离线数据如何链接在一起以及它们遵循的趋势。

容量受限的拼车车队的集体动态

原文标题： Collective dynamics of capacity-constrained ride-pooling fleets

地址： http://arxiv.org/abs/2208.04131

作者： Robin M. Zech, Nora Molkenthin, Marc Timme, Malte Schröder

摘要： 拼车（或拼车）服务将多个客户沿相似路线的旅行组合成一辆车。拼车车队的集体动力从根本上构成了这些服务效率的基础。在简化模型中，这些动态的共同特征产生了适用于各种街道网络和需求设置的效率比例定律。然而，目前尚不清楚车队的限制如何影响这种比例定律。在这里，我们将容量受限的拼车车队的集体动态映射到具有无限载客容量的服务，并确定可用车辆的有效车队规模作为表征动态的相关尺度参数。利用此映射，我们将拼车效率的尺度定律推广到容量受限的车队。我们通过对最小模型系统中的动力学进行排队理论分析来近似尺度函数，从而能够在更复杂的设置中对所需的车队规模进行平均场预测。这些结果可能有助于将洞察从现有的拼车服务转移到新的设置或服务地点。

选民模型中持续老化的分析和数值处理

原文标题： Analytical and numerical treatment of continuous ageing in the voter model

地址： http://arxiv.org/abs/2208.04264

作者： Joseph W. Baron, Antonio F. Peralta, Tobias Galla, Raul Toral

摘要： 修改了传统的投票者模型，使主体的切换率取决于主体的“年龄”，即自主体上次切换意见以来的时间。与以前的工作相比，当前模型中的年龄是连续的。我们展示了如何在计算和分析上处理具有非马尔可夫动力学和浓度依赖性速率的基于个体的系统。可以修改 Lewis 的细化算法以提供有效的模拟方法。分析地，我们展示了如何推导出吸收状态（共识）的渐近方法。我们讨论了与年龄相关的转换率的三种特殊情况：一种是选民的集中度可以通过分数微分方程来近似，另一种是达成共识的方法是时间上的指数，第三种情况是系统达到冻结状态而不是共识。最后，我们包括意见自发变化的影响，即，我们研究了一个持续老化的嘈杂选民模型。我们证明，这可以导致共存阶段和共识阶段之间的持续过渡。我们还展示了如何近似平稳概率分布，尽管该系统不能用传统的主方程来描述。

数字孪生：潜力、伦理问题和局限性

原文标题： Digital Twins: Potentials, Ethical Issues, and Limitations

地址： http://arxiv.org/abs/2208.04289

作者： Dirk Helbing, Javier Argota Sánchez-Vaquerizo

摘要： 继大数据和人工智能 (AI) 之后，数字孪生这一主题已成为另一种有前途的技术，由各种 IT 公司倡导、构建和销售。该方法旨在生成真实系统的高度逼真的模型。在动态变化的系统的情况下，这样的数字双胞胎将有生命，即他们会随着时间的推移改变他们的行为，并且从长远来看，他们会像真正的对手一样做出决定 textemdash 所以愿景。然而，与仅模仿真实系统行为的动画化身（如深度伪造）相比，数字双胞胎旨在成为准确的“数字副本”，即现实的“复制品”，可能与现实及其物理对应物相互作用。本章探讨了可能的应用和影响、限制和威胁。

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。