美國對COVID-19反應的縣級數據集
原文標題： A County-level Dataset for Informing the United States’ Response to COVID-19
地址： http://arxiv.org/abs/2004.00756
作者： Benjamin D. Killeen, Jie Ying Wu, Kinjal Shah, Anna Zapaishchykova, Philipp Nikutta, Aniruddha Tamhane, Shreya Chakraborty, Jinchi Wei, Tiger Gao, Mareike Thies, Mathias Unberath
摘要： 隨著2019年冠狀病毒病（COVID-19）成為全球大流行病，政策制定者必須採取干預措施以阻止其傳播。數據驅動的方法可能會提供信息來支持緩解和抑制策略的實施。為了促進朝這個方向的研究，我們提供了一個機器可讀的數據集，該數據集彙總了縣級政府，新聞和學術來源的相關數據。除了JHU CSSE COVID-19信息中心的縣級時間序列數據外，我們的數據集還包含300多個變量，這些變量彙總了人口估計數，人口統計學，族裔，住房，教育，就業以及未來的收入，氣候，過境得分以及與醫療保健系統相關的指標。此外，我們彙總了每個縣（包括雜貨店和醫院）各個景點的彙總戶外活動信息，並彙總了SafeGraph的數據。通過收集這些數據，並提供讀取這些數據的工具，我們希望能夠幫助研究人員調查疾病的傳播方式以及哪些社區最能適應在家中的緩解工作。我們的數據集和相關代碼可在https://github.com/JieYingWu/COVID-19_US_County-level_Summaries獲得。
仇恨言論越過單個平臺控制，在線傳播惡意COVID-19內容
原文標題： Hate multiverse spreads malicious COVID-19 content online beyond individual platform control
地址： http://arxiv.org/abs/2004.00673
作者： N. Velásquez, R. Leahy, N. Johnson Restrepo, Y. Lupu, R. Sear, N. Gabriel, O. Jha, N.F. Johnson
摘要： 我們證明惡意的COVID-19內容（包括仇恨言論，虛假信息和錯誤信息）利用在線仇恨的多種形式迅速傳播，超出了任何單個社交媒體平臺的控制範圍。機器學習主題分析定量地顯示了在線仇恨社區如何將COVID-19武器化，主題發展迅速，內容變得越來越連貫。我們的數學分析提供了一種通用的公共衛生R0形式，可預測跨多病毒範圍傳播的臨界點，這建議了新的政策選擇，可以減輕惡意COVID-19內容在全球的傳播，而無需依賴所有在線平臺之間的未來協調。
流行病傳播模型中的自組織臨界
原文標題： Self-Organized Criticality in an Epidemic Spread Model
地址： http://arxiv.org/abs/2004.00682
作者： Y. Contoyiannis, S.G. Stavrinides, M.P. Hanias, M. Kampitakis, P. Papadopoulos, S. Potirakis
摘要： 以前介紹的自我組織的臨界模型適用於病毒引起的流行病。在以下幾行中進行的研究突出了整個人群中病毒密度的臨界值。對於較低的初始病毒密度值（低於臨界值），已證明病毒擴散行為安全，並且在數量上與常規的實際流行病數據相似。研究表明，在臨界點附近，出現了由臨界現象理論引入的臨界減速現象。另外，發生了服從二階相變的流行病行為。對於高於臨界值的病毒密度值，流行持續時間變得極為延長。另外，封閉系統的人口規模的影響揭示了有趣的性質。所有這些結果，以及對當局干預有效性的調查（如採用接觸限制措施的情況），都科學地證明了其價值。
在有限知識下進行有效的網絡免疫
原文標題： Efficient network immunization under limited knowledge
地址： http://arxiv.org/abs/2004.00825
作者： Yangyang Liu, Hillel Sanhedrai, GaoGao Dong, Louis M. Shekhtman, Fan Wang, Sergey V. Buldyrev, Shlomo Havlin
摘要： 大規模網絡的有向免疫或攻擊已引起科學界的極大關注。但是，在現實情況中，網絡的知識和觀察可能會受到限制，從而無法對要免疫（或移除）的最佳節點進行全面評估，從而避免像當前COVID-19流行病那樣的流行病傳播。在這裡，我們研究了一種新穎的免疫策略，一次僅觀察到 n 個結節，並且對這些 n 個結點之間最中心的部分進行了免疫（或攻擊）。重複不斷地進行此過程，直到 1-p 的節點免疫（或攻擊）為止。我們為這種方法開發了一個分析框架，並針對具有任意度數分佈 P（k）的網絡，確定了臨界滲透閾值 pc 和巨型分量 P infty 的大小。在 n to infty 的範圍內，我們恢復了針對目標攻擊的先前工作，而對於 n = 1 ，我們恢復了已知的隨機失敗案例。在這兩個極端之間，我們觀察到隨著 n 的增加，在具有完整信息的有向免疫（攻擊）下， p_c 會迅速朝其最佳值增加。特別是，我們在 | p_c（ infty）-p_c（n）| 和 n 之間找到了新的尺度關係，作為 | p_c（ infty）-p_c（n）| sim n ^ -1 exp（- alpha n）。對於無標度（SF）網絡，其中 P（k） sim k ^ - gamma，2 < gamma <3 ，我們發現當時， p_c 從零過渡到非零。 n 從 n = 1 增加到 log N 的順序（ N 是網絡的大小）。因此，對於SF網絡，瞭解 log N 節點的順序並對其進行免疫可以大大減少流行病。
圖彙總方法和應用綜述
原文標題： Graph Summarization Methods and Applications: A Survey
地址： http://arxiv.org/abs/1612.04883
作者： Yike Liu, Tara Safavi, Abhilash Dighe, Danai Koutra
摘要： 儘管計算資源的進步使處理大量數據成為可能，但人類識別此類數據中的模式的能力並未相應地擴展。因此，用於壓縮和簡化數據的高效計算方法對於提取可行的見解變得至關重要。特別是，雖然已經廣泛地研究了數據彙總技術，但是直到最近，彙總互連數據或圖才成為流行。這項調查是對圖數據進行彙總的最新方法的結構化，全面概述。我們首先探討圖摘要背後的動機和挑戰。然後，我們根據作為輸入的圖的類型對彙總方法進行分類，並通過核心方法進一步組織每個類別。最後，我們討論了彙總在現實世界圖上的應用，並通過描述該領域中的一些未解決的問題得出結論。
車聯網和自動駕駛對城市交通流量的益處
原文標題： On Urban Traffic Flow Benefits of Connected and Automated Vehicles
地址： http://arxiv.org/abs/2004.00706
作者： Ioannis Mavromatis, Andrea Tassi, Robert J. Piechocki, Mahesh Sooriyabandara
摘要： 自動駕駛汽車是智能交通系統（ITS）不可或缺的一部分，有望在未來的出行服務中發揮關鍵作用。本文研究了兩類自動駕駛汽車：（i）僅依靠車載傳感器執行環境感知任務的4級和5級自動駕駛汽車（AV），以及（ii）利用與通過駕駛意圖和傳感器信息共享進一步增強感知能力。我們的調查考慮並量化了每個車輛組在歐洲和美國的大型城市道路網中的影響。關鍵性能指標是交通擁堵，平均速度和平均出行時間。具體而言，數值研究表明，交通擁堵可以減少多達四倍，而CAV組的平均流速仍接近限速，並且可以比人力車輛高300％。最後，還對交通狀況進行了研究，表明即使CAV的市場滲透很小，也將對交通流量產生實質性的淨積極影響。
有效疏散曼哈頓下城
原文標題： Efficiently Evacuating Lower Manhattan
地址： http://arxiv.org/abs/2004.00709
作者： Caitlin Feltner, Emily Lewis, Jamie Peck, Mark Shipps Jr., Scott Holmdahl
摘要： 儘管每年氣象和預測技術都在飛速發展，但自然災害的威脅並非完全可以預測。但是，可預測性仍不能保證可避免性，因此，充足的時間對預測做出反應仍然是主要問題。市政府通常會花費大量精力為此類事件做準備，方法是對基礎設施進行投資並研究疏散策略，以最大程度地減少對人類的潛在傷害。這項研究的重點是曼哈頓島這些疏散策略之一的發展。提出的算法基於評估具有計算出的流量低密度和時間成本的源目的地路由。通過使用轉運LP優化模型，我們能夠了解曼哈頓下城有針對性的出口中的撤離人員的最佳吞吐量，從而在最短時間內將人口從傷害的道路上轉移出去，而前提是可以預測到潛在的自然災害。
ArsonEmergency標籤和澳大利亞的“黑色夏天”：社交媒體上的極化和不實信息
原文標題： #ArsonEmergency and Australia’s “Black Summer”: Polarisation and misinformation on social media
地址： http://arxiv.org/abs/2004.00742
作者： Derek Weber, Mehwish Nasim, Lucia Falzon, Lewis Mitchell
摘要： 在2019-20夏季，澳大利亞遭遇了前所未有的叢林大火，有關縱火和有限回火的虛假敘述迅速在Twitter上流傳開來，尤其是使用#ArsonEmergency標籤。社交媒體研究人員發現並報道了錯誤信息以及類似bot和troll的行為，這一消息很快傳到了主流媒體。本文考察了錯誤信息成為公眾知識之前和之後，兩個兩極分化的在線社區的溝通和行為。具體來說，支持者社區使用各種新聞來源推動縱火敘事，積極與其他人進行傳播，以散佈主題標籤，而反對者社區則較少參與，轉推更多，並集中利用URL鏈接到主流消息來源，從而使故事揭穿並揭露異常行為。這影響了更廣泛討論的內容。 Bot分析顯示，活躍賬戶主要是人類，但行為和內容分析表明，支持者參與了拖釣活動，儘管兩個社區都使用了攻擊性語言。
動力工程中網絡-物理-社會系統受能流約束的社區彈性優化
原文標題： Community Resilience Optimization Subject to Power Flow Constraints in Cyber-Physical-Social Systems in Power Engineering
地址： http://arxiv.org/abs/2004.00772
作者： Jaber Valinejad, Lamine Mili
摘要： 本文開發了一種電力工程中計算機物理社會系統中受潮流約束的社區彈性優化方法，該方法使用基於多智能體的算法進行求解。潮流算法是使物理方面的電力與消費者之間的聯繫與社會方面的關鍵負載之間產生聯繫的工具。具體來說，消費者，生產者的情感，同理心，合作和身體健康水平是在建議的社區彈性優化方法中建模的，同時考慮了電力系統的限制及其對關鍵負荷（包括醫院，住所）的影響和加油站，僅舉幾例。最優化說明了以下事實：社會的滿意度，生活水平和社會福祉取決於包括電力在內的能源供應。顯然，由於負載減少而導致的電能不足會影響人們的心理和心理生活質量，進而影響社區的應變能力。所開發的約束社區彈性優化方法應用於兩個案例研究，包括兩區域6總線系統和改進的IEEE RTS 24總線系統。仿真結果表明，情緒，風險感知和社交媒體平臺影響因素的初始值降低會導致負載減少量增加，從而導致社區彈性下降。相比之下，合作，同情心，身體健康，微電網的能力和分佈式能源的初始價值的增加導致負荷減少的減少，這反過來又增強了社區的適應力。
懷疑主義和謠言傳播：空間相關性的作用
原文標題： Skepticism and rumor spreading: the role of spatial correlations
地址： http://arxiv.org/abs/2004.00777
作者： Marco Antonio Amaral, W. G. Dantas, Jeferson J. Arenzon
摘要： 批判性思維和懷疑論是可以用來防止謠言，假新聞和錯誤信息傳播的基本機制。我們考慮一個簡單的模型，在這種模型中，以前沒有與謠言接觸過的主體人持懷疑態度，他們可能會說服傳播者停止其活動，或者一旦暴露於謠言，就決定不傳播它，例如進行事實核查。 。我們將對主動和被動懷疑主義這兩種機制的組合效應進行先前的均值分析，以包括空間相關性。可以通過對近似來進行分析，也可以在各種網絡上模擬基於主體的版本。我們的結果表明，在平均場中，傳播者和易感者之間不存在共存（儘管取決於參數，取決於初始條件可能存在雙穩態），但由於隔離的保護作用，當包含空間相關性時由刪除的主體提供，則可以共存。
k跳協作博弈模型：擴展到社區預算和自適應非子模性
原文標題： A k-hop Collaborate Game Model: Extended to Community Budgets and Adaptive Non-Submodularity
地址： http://arxiv.org/abs/2004.00893
作者： Jianxiong Guo, Weili Wu
摘要： 收益最大化（RM）是在線社會網絡（OSN）上最重要的問題之一，它試圖在OSN中找到一小部分用戶，從而使預期收益最大化。之前已經對其進行了深入研究。但是，大多數現有文獻都基於非自適應播種策略和簡單的信息傳播模型，例如IC / LT模型。它認為單個受影響的用戶是量化收益的度量單位。在協作博弈模型出現之前，它一直將活動視為計算收入的基本對象。用戶發起的活動只能影響與發起者的距離在k-hop之內的那些用戶。在此基礎上，我們採用了自適應種子策略，並制定了規模預算（RMSB）問題下的收益最大化。如果考慮到產品的促銷，我們將RMSB擴展到“社區預算（RMCB）”問題下的“收益最大化”，該影響可以分佈在整個網絡上。 RMSB和RMCB的目標函數是自適應單調而不是自適應子模，但在某些特殊情況下，它是自適應子模。我們研究了特殊亞模態和一般非亞模態下的RMSB和RMCB問題，並提出了RMSBSolver和RMCBSolver分別為它們提供了有力的理論保證。尤其是，我們給出了在一般非亞模塊情況下RMSB問題的數據相關近似率。最後，我們通過在真實數據集上進行實驗來評估我們提出的算法，並證明了我們解決方案的有效性和準確性。
具有多主體交互的意見動態
原文標題： Opinion Dynamics with Multi-Body Interactions
地址： http://arxiv.org/abs/2004.00901
作者： Leonie Neuhäuser, Michael T. Schaub, Andrew Mellor, Renaud Lambiotte
摘要： 我們介紹和分析超圖上非線性共識動力學的三體共識模型（3CM）。我們的模型包含增強組效應，即使基礎圖完整（對應於均值場交互作用），也可能導致系統平均狀態發生變化，這種現象可以解釋為同伴壓力的一種。我們進一步證明，對於具有兩個群集組的系統，動力學中很小的不對稱性可能導致一組的觀點明顯佔優勢。我們證明了模型中的非線性是使此類群體動力學出現的基本要素，並說明了如何將我們的系統以線性方式，成對相互作用的系統寫在重新尺度的網絡上。
在Twitter上發現政治社交機器人：2019年西班牙大選案例
原文標題： Spotting political social bots in Twitter: A use case of the 2019 Spanish general election
地址： http://arxiv.org/abs/2004.00931
作者： Javier Pastor-Galindo, Mattia Zago, Pantaleone Nespoli, Sergio López Bernal, Alberto Huertas Celdrán, Manuel Gil Pérez, José A. Ruipérez-Valiente, Gregorio Martínez Pérez, Félix Gómez Mármol
摘要： 儘管社交媒體已被證明是與他人互動並大量快速傳播有用信息的非常有用的工具，但它的巨大潛力卻被無意地利用，也扭曲了政治選舉和操縱選民。在本文中，我們分析了2019年11月西班牙大選期間Twitter上社交機器人的存在和行為。在整個研究過程中，我們將參與的用戶分類為社交機器人或人類，並從定量（即產生的流量和現有關係）和定性（即用戶對最重要的政黨的政治親和力和情感）角度檢查了他們的互動。結果表明，這些機器人中很少有機器人積極參與選舉，為五個主要政黨的每一個提供了支持。
身份等級和團隊合作：Mark廣義模型（2018）
原文標題： Status hierarchy and group cooperation: A generalized model of Mark (2018)
地址： http://arxiv.org/abs/2004.00944
作者： Hsuan-Wei Lee, Yen-Ping Chang, Yen-Sheng Chiang
摘要： 地位等級制度可以促進小組合作的出現嗎？在演化模型中，馬克（2018）為理論探索提供了肯定的答案。儘管做出了貢獻，但我們批評說，馬克模型不僅存在數學錯誤，而且在將其應用於其他層次結構時也存在侷限性。我們通過引入一種新穎的層次結構度量來插值感興趣的任何層次結構中的組成員的協作性，從而提供了一種更為通用的模型。我們得出可以出現合作的條件，並通過基於主體的計算機仿真來驗證我們的分析預測。一般而言，就地位行為如何促進社會合作的出現而言，我們的演化模型比馬克的原始模型提供了更強有力的證據。
使用基於時間RNN的分層注意力進行鏈路預測建模動態異構網絡
原文標題： Modeling Dynamic Heterogeneous Network for Link Prediction using Hierarchical Attention with Temporal RNN
地址： http://arxiv.org/abs/2004.01024
作者： Hansheng Xue, Luwei Yang, Wen Jiang, Yi Wei, Yi Hu, Yu Lin
摘要： 網絡嵌入旨在在捕獲網絡結構信息的同時學習節點的低維表示。它在許多網絡分析任務（例如鏈路預測和節點分類）上都取得了巨大的成功。現有的網絡嵌入算法大多數都集中在如何有效學習靜態同構網絡上。但是，現實世界中的網絡更加複雜，例如，網絡可能由幾種類型的節點和邊（稱為異構信息）組成，並且可能會隨著時間的變化而在動態節點和邊（稱為演化模式）方面發生變化。動態異構網絡的網絡嵌入已經完成了有限的工作，因為同時學習演化信息和異構信息都具有挑戰性。在本文中，我們提出了一種新的動態異構網絡嵌入方法，稱為DyHATR，該方法使用層次化注意力來學習異構信息，並結合具有時間注意力的遞歸神經網絡來捕獲演化模式。我們在四個真實世界的數據集上對鏈路預測任務進行基準測試。實驗結果表明，DyHATR明顯優於幾個最新的基準。
從分散的統計信息生成國家規模的互動網絡
原文標題： Generate Country-Scale Networks of Interaction from Scattered Statistics
地址： http://arxiv.org/abs/2004.01031
作者： Samuel Thiriot, Jean-Daniel Kant
摘要： 通常，通過網絡定義一組主體之間的交互結構。大多數基於主體的模型顯示出對該網絡高度敏感，因此仿真結果的相關性直接取決於該網絡的描述能力。在研究人口眾多的社會動態時，該網絡無法收集，而是由旨在適合社會網絡一般屬性的算法生成的。但是，可以在國家範圍內以社會人口統計學研究，普查或社會學研究的形式獲得更精確的數據。這些“分散的統計信息”提供了豐富的信息，尤其是有關座席的屬性，聯繫座席的相似屬性和從屬關係的信息。在本文中，我們提出了一種通用方法，將這些分散的統計信息與貝葉斯網絡結合起來。我們將說明如何生成異質主體群體，以及如何通過使用分散的統計信息和有關社會選擇過程的知識來創建鏈接。通過為肯尼亞農村地區建立一個互動網絡來說明該方法，該互動網絡包括家族結構，同事和友誼（在給定的現場研究和統計數據的情況下）。
信息訪問悖論：關於社交媒體誘導的極化模型
原文標題： The Paradox of Information Access: On Modeling Social-Media-Induced Polarization
地址： http://arxiv.org/abs/2004.01106
作者： Chao Xu, Jinyang Li, Tarek Abdelzaher, Heng Ji, Boleslaw K. Szymanski, John Dellaverson
摘要： 本文開發了一種隨機的人類信念漂移模型，該模型表明當今可訪問的信息量巨大，再加上消費者的確認偏見和對更偏僻內容的自然偏好，必然導致兩極分化加劇。該模型解釋了在共享增加的時代意識形態分裂日益加劇的悖論。隨著社交媒體，搜索引擎和其他實時信息共享渠道旨在促進對信息的訪問，由於隨之而來的信息過載，出現了對內容過濾的需求。通常，消費者選擇與他們的個人觀點和價值觀相匹配的信息。當今的信息策劃服務呼應了這種選擇所固有的偏見，該服務通過根據觀察到的消費者喜好過濾新內容來最大化用戶的參與度。結果，個人暴露於意識形態範圍的日益狹窄的範圍內，從而使社會分裂為意識形態上越來越孤立的飛地。我們稱這種動態為信息訪問的悖論。該模型還表明，只需少量注入定位良好的錯誤信息即可達到不相稱的損害。本文介紹了建模方法，並評估了不同人口規模和參數設置的建模結果。
通過懲罰無標度空間隨機圖中向集線器的傳輸來阻止爆炸
原文標題： Stopping explosion by penalising transmission to hubs in scale-free spatial random graphs
地址： http://arxiv.org/abs/2004.01149
作者： Júlia Komjáthy, John Lapinskas, Johannes Lengler
摘要： 我們研究信息在有限和無限不均勻空間隨機圖中的傳播。我們假設每個邊的傳輸成本是i.i.d的乘積。隨機變量L和懲罰因子：對於所有 mu> 0，期望度w_1和w_2的頂點之間的邊將受到（w_1w_2）^ mu的懲罰。我們針對無標度滲流，（有限和無限）幾何非均勻隨機圖以及雙曲隨機圖研究此過程，所有過程均具有冪律度分佈且指數 tau>1。對於 tau <3，我們找到一個閾值行為，取決於L的累積分佈函數在多大程度上衰減為零。如果它最多以多項式衰減，並且指數小於（3- tau）/（2 mu），則發生爆炸，即，以正概率我們可以以有限的代價到達無數個頂點（對於無限模型），或者達到具有限制成本的所有頂點的線性分數（對於有限模型）。另一方面，如果L的cdf至少在多項式上衰減為零，且指數大於（3- tau）/（2 mu），則不會發生爆炸。可以說，這種行為比沒有懲罰因素的情況更好地表示了社會網絡中的信息傳播過程，在這種情況下，除非L的cdf呈指數倍地趨近於零，否則總是會發生爆炸。最後，我們將結果擴展到其他懲罰函數，包括w_1和w_2中的任意多項式。在某些情況下，當我們顛倒w_1和w_2的角色時，會發生有趣的現象，即模型改變行為（從爆炸性變為保守性，反之亦然）。直觀地講，這可能對應於逆轉信息流：收集信息可能比發送信息花費更多的時間。
聲明：Arxiv文章摘要版權歸論文原作者所有，由本人進行翻譯整理，未經同意請勿隨意轉載。本系列在公眾號“網絡科學研究速遞”和個人博客進行同步更新。
閱讀更多 網絡科學研究速遞 的文章
