tianshuqitan(天书奇谭)

竞争性社会网络中具有记忆的观点动力学模型：分析、应用和仿真;重复囚徒困境博弈中形成对称互强化学习均衡的记忆-两种策略;互惠偏好依附模型中入度和出度的渐近依赖;估计 COVID-19 的活跃病例;超越二维的增长双曲网络：广义流行度-相似度优化模型;用交叉验证的特征值估计图维度;联合攻击图神经网络及其解释;社会网络中的影响最大化：行为感知方法的调查;主题 X 射线;声誉证明：区块链系统的替代共识机制;用于在线论坛谣言检测的循环图神经网络;基于分形维数曲线Logistic模型的城市增长阶段划分;StayHome还是Marathon？社交媒体增强对时空动态图的大流行监测;二项线过程：距离分布;学习检测少镜头少线索错误信息;Flexicurity：在欧洲智能电网时代释放电力市场参与者的真正潜力（白皮书）;多样性的力量;使用密度泛函波动理论预测邻里尺度的种族动态;团队力量和层次结构：理解团队成功;竞争性社会网络中具有记忆的观点动力学模型：分析、应用和仿真

原文标题： Opinion Dynamics Models with Memory in Coopetitive Social Networks: Analysis, Application and Simulation

地址： http://arxiv.org/abs/2108.03234

作者： Qingsong Liu, Li Chai

摘要： 在一些社会网络中，意见的形成是基于自己和邻居的（初始）意见，而个人意见的演变也受到个人过去在现实世界中的意见的影响。与现有的社会网络模型不同，本文提出了一种新颖的意见动态模型，该模型描述了个人意见的演变不仅取决于自己和邻居的当前意见，还取决于过去的意见。为建议的意见动态模型同时建立记忆和无记忆通信规则。分别在网络拓扑结构和谱分析方面提出了意见平等极化、共识和可中和的充分和/或必要条件。我们应用我们的模型来模拟 Kahneman 对风险和无风险环境中的选择的开创性实验，这与实验结果相符。仿真分析表明，个体的记忆能力与最终形成意见的速度成反比。

重复囚徒困境博弈中形成对称互强化学习均衡的记忆-两种策略

原文标题： Memory-two strategies forming symmetric mutual reinforcement learning equilibrium in repeated prisoner’s dilemma game

地址： http://arxiv.org/abs/2108.03258

作者： Masahiko Ueda

摘要： 我们研究了当两个玩家在重复的囚徒困境博弈中交替学习最佳记忆——对抗对手的两种策略时，相互强化学习的对称均衡。我们为记忆-两种确定性策略形成对称均衡提供了必要条件。然后，我们提供了两个形成对称相互强化学习均衡的记忆-两种确定性策略的例子。我们还证明了当双方都使用记忆-n策略的强化学习且n>2时，由记忆-两种策略形成的相互强化学习均衡也是相互强化学习均衡。

互惠偏好依附模型中入度和出度的渐近依赖

原文标题： Asymptotic Dependence of In- and Out-Degrees in a Preferential Attachment Model with Reciprocity

地址： http://arxiv.org/abs/2108.03278

作者： Tiandong Wang, Sidney I. Resnick

摘要： 互惠性表征了网络中用户之间的信息交换，一些实证研究表明，社会网络具有很高比例的互惠边。经典的有向优先连接 (PA) 模型虽然生成无标度网络，但可能会给网络提供低互惠性。这指出了将经典 PA 模型拟合到具有高互易性的给定网络数据集的一个潜在问题，并表明需要考虑替代模型。我们通过包含另一个参数来对经典 PA 模型进行一种可能的修改，该参数控制在每一步添加往复边的概率。渐近分析表明，由于额外的往复边，在这个修改后的模型中，大的入度和出度变得完全依赖。

估计 COVID-19 的活跃病例

原文标题： Estimating Active Cases of COVID-19

地址： http://arxiv.org/abs/2108.03284

作者： Javier Álvarez, Carlos Baquero, Elisa Cabana, Jaya Prakash Champati, Antonio Fernández Anta, Davide Frey, Augusto García-Agúndez, Chryssis Georgiou, Mathieu Goessens, Harold Hernández, Rosa Lillo, Raquel Menezes, Raúl Moreno, Nicolas Nicolaou, Oluwasegun Ojo, Antonio Ortega, Jesús Rufino, Efstathios Stavrakis, Govind Jeevan, Christin Glorioso

摘要： 获得关于已确认的活跃 COVID-19 病例的准确和及时的数据具有挑战性，因为这取决于测试能力和执行测试并汇总结果的适当基础设施的可用性。在本文中，我们提出了根据官方数据（确诊病例和死亡人数）和调查数据估计 COVID-19 活跃病例数的方法。我们表明，后者是测试能力下降或基础设施欠佳的国家的可行选择。

超越二维的增长双曲网络：广义流行度-相似度优化模型

原文标题： Growing hyperbolic networks beyond two dimensions: the generalised popularity-similarity optimisation model

地址： http://arxiv.org/abs/2108.03328

作者： Bianka Kovács, Sámuel G. Balogh, Gergely Palla

摘要： 近年来，双曲网络模型受到了相当多的关注，主要是因为它们能够解释现实世界网络的许多特殊特征。这种类型最广为人知的模型之一是流行-相似性优化 (PSO) 模型，它在二维双曲空间的原生磁盘表示中工作，并生成具有小世界属性、无标度分布、高同时具有集群性和强大的社区结构。出于更好地理解双曲随机图的动机，我们在此介绍了 dPSO 模型，这是 PSO 模型对任何任意整数维度 d>2 的推广。对获得的网络的分析表明，它们的主要结构特性可以以一种非平凡的方式受到潜在双曲空间维度的影响。我们的扩展框架不仅从理论的角度来看很有趣，而且还可以作为现有二维双曲线嵌入技术泛化的起点。

用交叉验证的特征值估计图维度

原文标题： Estimating Graph Dimension with Cross-validated Eigenvalues

地址： http://arxiv.org/abs/2108.03336

作者： Fan Chen, Sebastien Roch, Karl Rohe, Shuqi Yu

摘要： 在应用多元统计中，估计潜在维度的数量或集群的数量是一个基本且反复出现的问题。一种常见的诊断方法是碎石图，它显示数据矩阵的最大特征值；用户在递减的特征值中搜索“gap”或“elbow”；不幸的是，这些模式可能隐藏在样本特征值的偏差之下。这个方法论问题在概念上很困难，因为在许多情况下，只有足够的信号来检测 k 人口维度/特征向量的子集。在这种情况下，人们可能会争辩说 k 的正确选择是可检测维度的数量。我们通过交叉验证的特征值来缓解这些问题。在一大类随机图模型下，没有任何参数假设，我们为每个样本特征向量提供一个 p 值。它测试零假设，即该样本特征向量与真实潜在维度正交（即不相关）。这种方法自然适用于某些维度在统计上无法检测的问题。在可以估计所有 k 维度的情况下，我们证明我们的程序一致地估计了 k。在模拟和数据示例中，建议的估计器在计算和统计性能方面都优于替代方法。

联合攻击图神经网络及其解释

原文标题： Jointly Attacking Graph Neural Network and its Explanations

地址： http://arxiv.org/abs/2108.03388

作者： Wenqi Fan, Wei Jin, Xiaorui Liu, Han Xu, Xianfeng Tang, Suhang Wang, Qing Li, Jiliang Tang, Jianping Wang, Charu Aggarwal

摘要： 图神经网络 (GNN) 提高了许多图相关任务的性能。尽管取得了巨大成功，但最近的研究表明，GNN 极易受到对抗性攻击，攻击者可以通过修改图来误导 GNN 的预测。另一方面，GNN 的解释 (GNNExplainer) 通过生成对其预测最有影响的小子图和特征，可以更好地理解经过训练的 GNN 模型。在本文中，我们首先进行实证研究以验证 GNNExplainer 可以作为检查工具并有可能检测图的对抗性扰动。这一发现促使我们进一步启动一个新的问题调查：图神经网络及其解释是否可以通过修改带有恶意欲望的图来共同攻击？回答这个问题很有挑战性，因为对抗性攻击和绕过 GNNExplainer 的目标本质上是相互矛盾的。在这项工作中，我们通过提出一种新颖的攻击框架 (GEAttack) 对这个问题给出了肯定的答案，该框架可以通过同时利用 GNN 模型及其解释的漏洞来攻击它们。在各种真实世界数据集下对两个解释器（GNNExplainer 和 PGExplainer）的大量实验证明了所提出方法的有效性。

社会网络中的影响最大化：行为感知方法的调查

原文标题： Influence Maximization in Social Networks: A Survey of Behaviour-Aware Methods

地址： http://arxiv.org/abs/2108.03438

作者： Ahmad Zareie, Rizos Sakellariou

摘要： 社会网络已成为一种越来越普遍的抽象，用于捕捉个人用户在许多日常活动和应用程序中的交互。因此，对此类网络的分析在文献中引起了很多关注。在感兴趣的主题中，一个关键问题涉及为许多应用程序识别所谓的有影响力的用户，例如传播消息、病毒式营销或防止谣言传播。已经提出了几种方法来估计用户的影响力并识别社会网络中的有影响力的用户集。这些方法的共同基础是考虑用户之间的链接，即网络的结构或拓扑属性。在较小程度上，一些方法考虑了用户的行为或态度。尽管许多调查已经审查了基于社会网络结构特性的方法，但还没有对考虑用户行为的方法进行全面审查。本文试图通过审查和提出此类行为感知方法的分类来弥补这一差距，以识别社会网络中的有影响力的用户。

主题 X 射线

原文标题： Topic X-ray

地址： http://arxiv.org/abs/2108.03458

作者： Qi Li, Luoyi Fu, Xinbing Wang, Chenghu Zhou

摘要： 现代科学技术的飞速发展催生了丰富的科学课题进行研究，并产生了源源不断的文学作品。就像医学中的X射线成像一样，我们能否从海量知识的关系中直观地识别科学课题的发展极限和内部演化模式？为了回答这个问题，我们收集了涵盖 16 个学科的 71431 篇主题的开创性文章及其引文数据，并提取了每个主题的“思想树”，从头恢复了 71431 主题网络的发展结构。我们定义了知识熵（KE）度量，将高知识熵节点对增加思想树深度的贡献作为主题发展的基础。通过观察话题的“X光影像”，我们发现了两个有趣的现象：（1）尽管话题的规模可以无限增加，但话题的发展有一个不可逾越的上限：想法树的深度不超过6个跳跃，与经典的“六度分离”不谋而合！ （2）单篇文章很难贡献超过3次跳转到其主题深度，为此，思想树深度的持续增加需要多个高知识熵的影响力中继节点。通过大量的统计拟合，我们推导出主题深度的变化 Delta D^t(v) 与知识熵随时间的变化 KE^tleft(vright)文章 v 推动主题深度增加：Delta D^t(v) approx log fracKE^t(v)left(t-t_ 0right)^1.8803 ，可以有效地刻画话题的演化模式并预测其发展潜力。主题X射线发现的各种现象可能为解释和理解人类科学技术的演变提供一个新的范式。

声誉证明：区块链系统的替代共识机制

原文标题： Proof-of-Reputation: An Alternative Consensus Mechanism for Blockchain Systems

地址： http://arxiv.org/abs/2108.03542

作者： Oladotun Aluko, Anton Kolonin

摘要： 区块链结合了其他技术，例如密码学、网络和激励机制，以实现参与节点之间交易的创建、验证和记录。区块链系统中使用共识算法来确定分布式节点之间的共享状态。任何基于区块链的系统的一个重要组成部分是其共识机制，它主要决定整个系统的性能和安全性。由于点对点 (P2P) 网络的性质是开放和动态的，因此该环境中的安全风险大大增加，主要是因为节点可以随意加入和离开网络。因此，拥有一个可以检查恶意行为的系统非常重要。在这项工作中，我们为基于区块链的系统提出了一种基于声誉的共识机制，即声誉证明（PoR），其中具有最高声誉值的节点最终成为确定区块链状态的共识组的一部分。

用于在线论坛谣言检测的循环图神经网络

原文标题： Recurrent Graph Neural Networks for Rumor Detection in Online Forums

地址： http://arxiv.org/abs/2108.03548

作者： Di Huang, Jacob Bartel, John Palowitch

摘要： 日常生活中广泛采用在线社会网络，迫切需要对用户生成的内容进行有效分类。这项工作提出了单独使用用户交互信号对在论坛网站上传播的链接内容进行分类的技术——特别是指向新闻文章或博客的链接。重要的是，Reddit 等在线论坛没有用户生成的社交图，这是在基于社会网络行为的分类设置中假设的。使用 Reddit 作为案例研究，我们展示了如何获得派生的社交图，并使用此图、Reddit 帖子序列和评论树作为循环图神经网络 (R-GNN) 编码器的输入。我们在新闻链接分类和谣言检测方面训练 R-GNN，显示出优于最近基线的结果。我们的代码在 https://github.com/google-research/social_cascades 上公开提供。

基于分形维数曲线Logistic模型的城市增长阶段划分

原文标题： Stage Division of Urban Growth Based on Logistic Model of Fractal Dimension Curves

地址： http://arxiv.org/abs/2108.03644

作者： Yanguang Chen

摘要： 城市形态分形维数的时间序列总是呈sigmoid曲线。这些曲线的基本模型是逻辑函数。从分形维数曲线的logistic模型，我们可以推导出城市发展的增长率公式和加速公式。使用分形参数曲线的拐点，我们可以识别城市演化的不同阶段。主要结果如下。 (1)根据城市形态的分形维数曲线，城市增长可以分为四个阶段：初期缓慢增长、加速快速增长、减速快速增长和末期缓慢增长。三个分界点分别为 0.2113Dmax、0.5Dmax 和 0.7887Dmax，其中 Dmax 为分形维数的容量。当分形维数达到其容量值的一半，即 0.5Dmax 时，城市增长率达到峰值。 (2)根据分形维数几率曲线，城市增长也可以分为四个阶段：初始缓慢填充、加速快速填充、减速快速填充、末期缓慢填充。三个分界点是0.2113Zmax、0.5Zmax和0.7887Zmax，其中Zmax=/(2-Dmax)表示分形维数赔率的容量(Dmax<2)。实证分析表明，基于分形维数的第一种方案适用于年轻城市，基于分形维数的第二种方案适用于成熟城市。可以得出结论，logistic函数是基于城市分形参数进行城市增长阶段划分的重要模型之一。本研究结果为理解城市相变的特征和机制提供了新的途径。

StayHome还是Marathon？社交媒体增强对时空动态图的大流行监测

原文标题： StayHome or Marathon? Social Media Enhanced Pandemic Surveillance on Spatial-temporal Dynamic Graphs

地址： http://arxiv.org/abs/2108.03670

作者： Yichao Zhou, Jyun-yu Jiang, Xiusi Chen, Wei Wang

摘要： COVID-19 对公共卫生、社会和经济的几乎所有领域造成了持久的损害。为了监测大流行趋势，现有研究依赖于传统统计模型和流行病传播理论的聚合。换言之，COVID-19 的历史统计数据以及人口流动数据成为监测大流行趋势的必要知识。然而，这些解决方案几乎不能对长期疾病监测提供准确的预测和令人满意的解释，而无处不在的社交媒体资源可以成为解决这一问题的关键推动因素。例如，在一些突发事件发生之前和之后，社交媒体上可能会发生严肃的讨论。这些事件，例如马拉松和游行，可能会影响病毒的传播。为了利用社交媒体数据，我们提出了一个新框架，社交媒体增强大流行监测技术（SMART），它由两个模块组成：（i）信息提取模块，基于提取的事件和关系构建异构知识图其中; (ii) 时间序列预测模块，提供美国州级确诊病例和死亡人数的短期和长期预测，并发现 COVID-19 干预措施的风险因素。大量实验表明，我们的方法在确诊病例/死亡人数预测中分别大大优于最先进的基线 7.3% 和 7.4%。

二项线过程：距离分布

原文标题： Binomial Line Processes: Distance Distributions

地址： http://arxiv.org/abs/2108.03804

作者： Gourab Ghatak

摘要： 我们介绍了二项式线过程 (BLP)，这是一种新颖的空间随机模型，用于在无线和车辆网络的统计评估中表征街道。现有的街道随机几何模型，例如泊松线过程 (PLP) 和曼哈顿线过程 (MLP)，缺乏城市街道网络的一个重要方面：市中心的街道更密集，郊区附近的街道稀疏。与这些模型相反，BLP 将街道的生成点限制在以欧几里得平面原点为中心的固定半径内，从而刻画街道与中心距离的不均匀性。我们从平面上的随机位置推导出 BLP 接触分布的封闭形式表达式。利用这一点，我们引入了新颖的二项式线 Cox 过程 (BLCP) 来模拟 BLP 各条线上的点，并从任意位置导出到最近 BLCP 点的分布。使用数值结果，我们强调街道的空间配置从市中心用户的角度与郊区用户的角度显著不同。本文开发的框架可以与现有的线路过程模型相结合，以更准确地表征城市和郊区环境中的街道。

学习检测少镜头少线索错误信息

原文标题： Learning to Detect Few-Shot-Few-Clue Misinformation

地址： http://arxiv.org/abs/2108.03805

作者： Qiang Zhang, Hongbin Huang, Shangsong Liang, Zaiqiao Meng, Emine Yilmaz

摘要： 由于缺乏仔细的人工审查，网络上数字信息的质量一直令人不安。因此，自社交媒体盛行以来，大量虚假文本信息一直在传播。错误信息对公众的潜在负面影响越来越受到关注。因此，尽早检测在线错误信息的动机非常强烈。当注释语句的数量很少（称为少镜头）并且每个镜头中相应的证据也很有限（称为少线索）时，少镜头少线索学习适用于这种错误信息检测任务。在少拍少线索框架内，我们提出了一种贝叶斯元学习算法来提取错误信息的不同主题（即不同任务）之间的共享模式。此外，我们导出了一种可扩展的方法，即摊销变分推理，以优化贝叶斯元学习算法。三个基准数据集的实证结果证明了我们算法的优越性。这项工作更侧重于优化参数而不是设计检测模型，并将在早期阶段对在线错误信息的数据高效检测产生新的见解。

Flexicurity：在欧洲智能电网时代释放电力市场参与者的真正潜力（白皮书）

原文标题： Flexicurity: Unlocking the True Potential of Power Market Players in the European Smart Grid Era (White paper)

地址： http://arxiv.org/abs/2108.04053

作者： Iason-Iraklis Avramidis, Gerasimos Takis-Defteraios

摘要： 随着“智能电网”范式变得越来越普遍，基本的技术经济挑战也显著出现。可再生能源的可变性可能需要传统发电机保持活跃并低效运行。电网的惯性变弱，危及其稳定性。与网络相关的问题变得更加普遍，威胁到电网的安全。最后，该行业在很大程度上经历了价格蚕食，经常出现负价格，可再生能源生产商为了避免严厉处罚而下调生产。直到今天，之前的工作都没有提供关于每种能源资产如何在电力市场环境中为电网管理做出贡献的整体分析。本文试图通过在智能电网和所谓的“2050 战略”的背景下研究能源资产的“灵活安全”潜力来填补这一知识空白。更多地理解它们的真正价值，从而更好地引导网络运营商和市场参与者。综上所述，我们对每个能源资产的所有灵活性和安全能力进行分类，定性地对其“性能”进行分级。其次，我们引入了“弹性保障”的概念，并讨论了逐步转向以替代弹性保障为基础的市场运作。考虑到 2050 年欧洲电网的理想状态，我们最终提供了可能的资产整合路线的基于灵活性的概述。

多样性的力量

原文标题： The strength of diversity

地址： http://arxiv.org/abs/2108.04054

作者： Julie Rowlett, Carl-Joar Karlsson, Medet Nursultanov

摘要： 能否证明由不同个体组成的系统内的多样性对整个系统性能的定量影响？假设个体可能不同，我们开发了一个模型来在个体层面的互动和集体层面的后果之间进行插值。该模型植根于理论数学，不受任何特定背景的限制。潜在应用包括研究、教育、体育、政治、生态、农业、算法和金融。我们的第一个主要贡献是一个博弈论框架，用于进一步分析个体集合的内部组成以及在与他人竞争时对整个集合的影响。第二个主要贡献是对所有均衡点和策略的严格识别。这些平衡表明生物和物理系统倾向于增加复杂性和熵的机制基础，因为多样性赋予系统与其他系统竞争的力量。

使用密度泛函波动理论预测邻里尺度的种族动态

原文标题： Forecasting racial dynamics at the neighborhood scale using Density-functional Fluctuation Theory

地址： http://arxiv.org/abs/2108.04084

作者： Yunus A. Kinkhabwala, Boris Barron, Matthew Hall, Tomas A. Arias, Itai Cohen

摘要： 种族居住隔离是美国社会的一个决定性和持久特征，影响着群体间关系、收入和健康方面的种族差异，以及获得高质量公共产品和服务的机会。旨在解决这些不平等的政策设计将通过能够预测邻里规模种族分类动态的描述性隔离模型得到更好的信息。虽然粗略的区域人口预测很容易获得，但小区域的人口变化仍然难以预测，因为关于移民的细粒度数据有限，而且流动行为是由复杂的社会和特殊动态驱动的。因此，为理解释这些驱动因素，有必要开发能够仅基于对可用数据的统计分析来提取其对人口动态影响的有效描述的方法。在这里，我们开发并验证了密度函数波动理论 (DFFT)，该理论使用从人口计数中提取的密度相关函数来量化隔离，并使用这些函数来准确预测美国各地社区的种族/民族构成可能如何变化。重要的是，DFFT 对隔离的根本原因的性质做出了最少的假设，旨在量化具有不同组成区域的不同总人口的社区的隔离。这种量化可用于准确预测社区构成的平均变化和更剧烈变化的可能性，例如与高档化和社区小费相关的变化。因此，DFFT 为研究人员和政策制定者等提供了一个强大的框架，以更好地量化和预测邻域尺度的隔离及其相关动态。

团队力量和层次结构：理解团队成功

原文标题： Team Power and Hierarchy: Understanding Team Success

地址： http://arxiv.org/abs/2108.04108

作者： Huimin Xu, Yi Bu, Meijun Liu, Chenwei Zhang, Mengyi Sun, Yi Zhang, Eric Meyer, Eduardo Salas, Ying Ding

摘要： 团队合作是合作、参与和权力共享。在科学领域，很少有研究从团队权力和等级制度的角度来研究团队协作的影响。本研究使用 DBLP 数据集深入研究了计算机科学 (CS) 领域中团队力量与团队成功之间的关系。团队力量和等级是使用学龄来衡量的，团队成功是通过引用来量化的。通过对 4,106,995 支 CS 球队的分析，我们发现扁平结构的高功率球队表现最好。相反，具有等级结构的低权力团队是团队绩效的促进者。这些结果在不同的时间段和团队规模中是一致的。

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。本系列在公众号“网络科学研究速递”（netsci）和个人博客进行同步更新。