创业筹款成功中重要外在因素的变动 | 网络科学论文速递5篇

集智俱乐部 2021-02-09

The following article is from 网络科学研究速递 Author ComplexLY

核心速递

创业筹款成功中重要外在因素的变动：早期靠竞争；成长看网络
具有间接传输链路的动态接触网络上的扩散;
加权网络的顶点分类;
复杂网络中流行病源的最优近似识别;
与分布式移动推荐系统的临近用户合作;

创业筹款成功中重
要外在因素的变动：
早期靠竞争；成长看网络

原文标题：

The varying importance of extrinsic factors in the success of startup fundraising: competition at early-stage and networks at growth-stage

地址：

http://arxiv.org/abs/1906.03210

作者：

Clement Gastaud, Theophile Carniel, Jean-Michel Dalle

摘要： 我们解决了推动创业成功筹集资金的因素。使用流行的和公共启动数据库 Crunchbase，我们明确考虑了初创公司的两个外在特征：公司面临的竞争，使用源自 Word2Vec 算法的相似性度量，以及投资者在投资网络中的地位，开创了使用图神经网络（GNN），这是一种最近的深度学习技术，可以处理图本身和整体。

我们表明，筹款，早期和成长阶段的不同阶段与不同的成功因素有关。我们的研究结果表明，初创阶段的创业竞争具有明显的相关性，而增长阶段的筹款受到网络特征的影响。这两个因素都倾向于在全球模型中平均化。这可能导致错误的印象，即创业成功的筹款主要不仅会受到其内在特征的影响，特别是其创始人的特征。

具有间接传输链路
的动态接触网络上的扩散

原文标题：

Diffusion on dynamic contact networks with indirect transmission links

地址：

http://arxiv.org/abs/1906.02856

作者：

Md Shahzamal

摘要： 动态接触网络上的扩散过程建模是流行病学，营销，网络安全和生态学的重要研究领域。然而，当前的扩散模型不能捕获间接相互作用发生的传输。例如，空气传播的感染个体在可以悬浮在空气中的位置释放感染性颗粒，并感染甚至在感染者离开后到达的易感个体。因此，当前扩散模型无法衡量间接交互期间的传输。

在本文中，我们引入了一种新的扩散模型，称为同一地点，不同的基于时间传输的扩散模型（SPDT），考虑间接交互的传染。我们在真实动态接触网络上分析了 SPDT 扩散的行为，并观察到扩散动力学的显著放大。 SPDT 模型还引入了一些与当前扩散模型不同的新行为。

在这项工作中，我们开发了一个新的 SPDT 图模型，以生成合成轨迹，以探索在几种情况下的 SPDT 扩散。分析表明，由于在 SPDT 模型中包含间接传输，新扩散现象的出现变得很普遍。这项工作最终研究了如何控制扩散并开发阻碍扩散的新方法。

加权网络的顶点分类

原文标题：

Vertex Classification on Weighted Networks

地址：

http://arxiv.org/abs/1906.02881

作者：

Hayden Helm, Joshua Vogelstein, Carey Priebe

摘要： 本文提出了一种加权网络中顶点的判别技术。我们假设网络中的边权重和领边是条件独立的，并且两个信息源都编码类成员信息。特别地，我们将边权重分布矩阵引入标准K块随机块模型来对加权网络建模。这允许我们使用未加权邻接矩阵的谱嵌入来开发简单但强大的扩展分类技术。

考虑边权重分布的两个假设，然后在两个设置中提出分类过程。我们通过将它们与变换后的加权网络的谱嵌入后的二次判别分析进行比较，证明了所提出的分类器的有效性。此外，我们研究了当边权重不包含成员信息时该如何使用模型。

复杂网络中流行
病源的最优近似识别

原文标题：

Approximate Identification of the Optimal Epidemic Source in Complex Networks

地址：

http://arxiv.org/abs/1906.03052

作者：

S. Jalil Kazemitabar, Arash A. Amini

摘要： 我们通过网络快照全面观察受感染节点，来研究和识别流行病通过网络传播的问题。以前关于该问题的工作通常采用几何，谱或启发式方法来识别源，其中树是研究最多的网络拓扑。在易感染-传染（SI）流行病模型下，我们采用完全统计方法并推导出新的递归来计算贝叶斯最优解。我们的分析与时间和速率无关，适用于一般网络拓扑。

然后，我们提供两种易处理算法来解决这些递归问题，平均场近似和贪婪方法。我们评估它们在真实和合成网络上的性能。真实的网络远非树状，并且将重点放在具有高传递性的网络上，例如社会网络和社区网络。我们表明，在这样的网络上，我们的方法明显优于几何和谱中心度量，其中大部分都比随机猜测表现更好。贪婪和平均场近似都可以扩展到大型稀疏网络。

与分布式移动推
荐系统的临近用户合作

原文标题：

Collaborating with Users in Proximity for Decentralized Mobile Recommender Systems

地址：

http://arxiv.org/abs/1906.03114

作者：

Felix Beierle, Tobias Eichinger

摘要： 通常，来自任何领域的推荐系统，无论是电影，音乐，餐馆等，都以集中的方式组织。服务提供商保存所有数据，推荐者算法中的偏差对用户不透明，并且服务提供商经常创建锁定效果，使得用户切换提供者不方便。在本文中，我们认为用户的智能手机已经拥有大量数据，这些数据可以用于电影，音乐或 POI 的典型推荐系统。

随着智能手机和其他用户在公共场所或公共交通中的无处不在，数据可以以设备到设备的方式在用户之间直接交换。这样，每个智能手机都可以构建自己的数据库并计算自己的建议。这种系统的一个好处是它不仅限于仅针对一个用户的建议 - 也可以提供临时小组建议。虽然这种平台的基础设施已经存在 - 智能手机已经存在于用户手中 - 但是移动推荐系统平台以及推荐算法都存在挑战。在本文中，我们提出了所描述系统的移动架构 - 包括数据收集，数据交换和推荐系统 - 并突出其挑战和机遇。