• 科学发现中的深度学习不透明度;
• 复杂网络中货币异质性对资源依赖的影响;
• AOC；组装重叠的社区;
• 无监督网络对齐的高阶拓扑一致性;
• H4M：以北京为例的异构、多源、多模式、多视图和多分布的社会经济分析数据集;
• 通过社区和性别意识播种有针对性的影响;
• 时间网络上意见动态的非马尔可夫模型;

科学发现中的深度学习不透明度

原文标题： Deep Learning Opacity in Scientific Discovery

地址： http://arxiv.org/abs/2206.00520

作者： Eamon Duede

摘要： 哲学家们最近关注由深度神经网络的不透明性引起的关键的认识论挑战。人们可能会从这些文献中得出结论，用不透明的模型做好的科学是非常具有挑战性的，如果不是不可能的话。然而，这很难与最近对科学领域人工智能的乐观情绪高涨以及最近由人工智能方法驱动的大量科学突破相提并论。在本文中，我认为哲学悲观主义和科学乐观主义之间的脱节是由于未能检查人工智能是如何在科学中实际使用的。我表明，为了理解人工智能突破的认知理由，哲学家必须检查深度学习在更广泛的发现过程中所扮演的角色。在这方面，“发现的背景”和“证明的背景”之间的哲学区别是有帮助的。我通过从科学文献中提取的两个案例证明了关注这一区别的重要性，并表明认知不透明不会削弱人工智能引导科学家取得重大且合理的突破的能力。

复杂网络中货币异质性对资源依赖的影响

原文标题： Effect of money heterogeneity on resource dependency in complex networks

地址： http://arxiv.org/abs/2206.06666

作者： Harshit Agrawal, Ashwin Lahorkar, Snehal M. Shekatkar

摘要： 系统的各个组成部分之间的资源交换对于诸如人类社会网络以及城市和村庄网络之类的系统至关重要。由于种种原因，人类社会提出了以金钱为资源的代名词的概念。在这里，我们扩展了我们中的一个人最近提出的网络中的资源依赖模型，通过结合货币的概念，使网络的顶点可以在它们之间买卖所需的资源。我们使用配置模型作为同质和异质度分布的基底并使用各种交换策略来模拟模型。我们表明，顶点上货币的适度初始异质性可以显著提高无标度网络的生存能力，但不能提高像鄂尔多斯-仁义网络这样的同质网络的生存能力。我们的工作是朝着理解货币存在对复杂网络中资源分配动态的影响迈出的一步。

AOC；组装重叠的社区

原文标题： AOC; Assembling Overlapping Communities

地址： http://arxiv.org/abs/2208.04842

作者： Akhil Jakatdar, Baqiao Liu, Tandy Warnow, George Chacko

摘要： 通过发现中尺度结构，社区检测方法有助于理解复杂网络。为此，已经开发了多种社区检测方法。然而，许多社区发现方法依赖于不相交的聚类技术，其中节点成员资格仅限于一个社区或集群。这个严格的要求限制了包容性描述社区的能力，因为一些节点可能被合理地分配给许多社区。我们之前曾报道过迭代 K 核心聚类 (IKC)，这是一种可扩展的模块化管道，可从科学文献中发现不相交的研究社区。我们现在提出组装重叠集群（AOC），这是一种用于重叠社区的补充元方法，作为解决不相交集群问题的一种选择。我们展示了在超过 1300 万个节点的网络上使用 AOC 的结果，这些节点捕捉了生物学中细胞外囊泡这一快速发展的领域的最新研究。

无监督网络对齐的高阶拓扑一致性

原文标题： Towards Higher-order Topological Consistency for Unsupervised Network Alignment

地址： http://arxiv.org/abs/2208.12463

作者： Qingqiang Sun, Xuemin Lin, Ying Zhang, Wenjie Zhang, Chaoqi Chen

摘要： 网络对齐任务，旨在识别不同网络中的对应节点，对于许多后续应用具有重要意义。在不需要标记锚链接的情况下，无监督对齐方法越来越受到关注。然而，现有方法定义的拓扑一致性假设通常是低阶且不太准确的，因为只考虑边不区分的拓扑模式，这在无监督环境中尤其危险。为了将对齐过程的重点从低阶拓扑一致性重新定位到高阶拓扑一致性，在本文中，我们提出了一个名为 HTC 的完全无监督的网络对齐框架。提出的高阶拓扑一致性是基于边轨道制定的，将其融合到图卷积网络的信息聚合过程中，从而将对齐一致性转化为节点嵌入的相似性。此外，编码器被训练为多轨道感知，然后被细化以识别更受信任的锚链接。通过整合所有不同的一致性顺序来综合评估节点对应关系。 除了合理的理论分析外，还通过广泛的实验评估经验证明了所提出方法的优越性。在三对真实世界数据集和两对合成数据集上，我们的 HTC 始终以最少或可比的时间消耗优于各种无监督和监督方法。由于我们的多轨道感知训练机制，它还表现出对结构噪声的鲁棒性。

H4M：以北京为例的异构、多源、多模式、多视图和多分布的社会经济分析数据集

原文标题： H4M: Heterogeneous, Multi-source, Multi-modal, Multi-view and Multi-distributional Dataset for Socioeconomic Analytics in the Case of Beijing

地址： http://arxiv.org/abs/2208.12542

作者： Yaping Zhao, Shuhui Shi, Ramgopal Ravi, Zhongrui Wang, Edmund Y. Lam, Jichang Zhao

摘要： 社会经济地位的研究已经通过包含房地产、兴趣点、交通和社交媒体趋势（如微博）数据的数字记录的可用性进行了改革。在本文中，我们描述了一个异构、多源、多模态、多视图和多分布的数据集，名为“H4M”。混合数据集包含来自中国北京的房地产交易、兴趣点、交通模式和微博趋势的数据。 H4M 的独特组合使其成为研究和解决与房地产、交通、城市交通规划、社会情绪分析等相关问题的方法和方法的理想测试平台。数据集可在：https://indigopurple.github.io/H4M/index.html

通过社区和性别意识播种有针对性的影响

原文标题： Targeted Influence with Community and Gender-Aware Seeding

地址： http://arxiv.org/abs/2208.12649

作者： Maciej Styczen, Bing-Jyue Chen, Ya-Wen Teng, Yvonne-Anne Pignolet, Lydia Chen, De-Nian Yang

摘要： 在社会网络上传播信息时，选择用户开始传播的播种算法起着至关重要的作用。大多数现有的种子算法只关注最大化到达节点的总数，忽略了群体公平的问题，特别是性别不平衡的问题。为了应对最大化信息在某些目标群体（例如女性）上传播的挑战，我们引入了社区的概念和用户的性别意识潜力。我们首先表明网络的社区结构与性别分布密切相关。然后，我们提出了一种算法，该算法利用有关社区结构及其性别潜力的信息来迭代修改种子集，以使在目标群体上传播的信息满足目标比例。最后，我们通过对合成数据集和真实数据集进行实验来验证算法。我们的结果表明，与最先进的性别感知播种算法相比，所提出的播种算法不仅实现了目标比率，而且实现了最高的信息传播。

时间网络上意见动态的非马尔可夫模型

原文标题： Non-Markovian models of opinion dynamics on temporal networks

地址： http://arxiv.org/abs/2208.12787

作者： Weiqi Chu, Mason A. Porter

摘要： 传统的意见动态模型，其中网络中的节点根据它们与相邻节点的交互来改变他们的意见，考虑意见如何在时间无关网络上或在具有遵循泊松统计的边的时间网络上演变。大多数此类模型都是马尔可夫模型。在许多现实生活中的网络中，个体之间的交互（以及因此网络中的边）遵循非泊松过程，这导致具有记忆依赖效应的网络动态。在本文中，我们对意见动态进行建模，其中网络实体通过随机游走过程进行交互并改变他们的意见。当步行者有非泊松干预统计时，相应的意见模型产生非马尔可夫动态。我们推导出了一个由任意等待时间分布 (WTD) 控制的意见模型，并说明了来自常见 WTD（包括狄拉克 delta、指数和重尾分布）的各种诱导意见模型。我们分析了这些模型对共识的收敛性，并证明了我们框架中的同质历史相关的意见动态模型总是收敛到相同的稳定状态，而不管 WTD。我们还对等待时间分布对瞬态动态和稳态的影响进行了数值研究。我们观察到，由重尾 WTD 诱导的模型比轻尾（或紧凑支持）的模型收敛到稳态的速度更慢，并且等待时间较长的实体对稳态时的平均意见产生更大的影响。

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。