核心速递
- 空间优度的递归定义，连接可持续性的空间和地点概念;
- Facebook上分享的研究有多少是公开的？围绕PLOS ONE论文的公共和私人在线活动比较;
Small-worldness favours network inferencehttp://arxiv.org/abs/1909.01437Rodrigo A. García, Arturo C. Martí, Cecilia Cabeza, Nicolás Rubido摘要： 复杂系统分析的一个主要目标是从对其行为的时间序列观测中推断其潜在的网络结构。推理过程通常采用双变量相似性度量，如互相关（cc），然而，影响其成功的主要因素仍令人费解。在这里，我们使用合成神经元模型来揭示如何从互相关测量推断底层网络的主要拓扑性质。具体来说，我们使用脉冲耦合的伊兹基奇维奇神经元连接，就像在秀丽隐杆线虫神经网络中，以及在具有类似随机性和小世界性的网络中一样。我们分析了在不同观测值和集体动力学条件下的推理过程的有效性和稳健性，对比了膜电位和峰值间隔时间序列的结果。研究发现，总体而言，小世界有利于网络推理，而程度异质性阻碍了网络推理。特别是，将小世界特性和程度异质性结合起来的秀丽隐杆线虫网络的成功率更接近ER随机网络模型的成功率，而不是WS小世界网络模型的成功率。这些结果有助于更好地理解不同神经网络拓扑性质与函数之间的关系。
Trouble on the Horizon: Forecasting the Derailment of Online Conversations as they Develophttp://arxiv.org/abs/1909.01362Jonathan P. Chang, Cristian Danescu-Niculescu-Mizil摘要： 在线讨论往往会破坏参与者之间的毒性交流。最近的研究主要集中在通过单独分析单个评论来检测事后的反社会行为。为了更及时地通知对话者，系统需要能预先检测到会话变为毒性，这意味着将脱轨建模为对话的新属性，而不是孤立的话语级别事件。然而，预测新出现的会话属性会带来一些固有的建模挑战。首先，由于对话是动态的，预测模型需要捕捉讨论的细节，而不是单个评论的属性。其次，真实的对话有一个未知的视野：它们随时可能结束或脱轨；因此，随着对话的发展，实用的预测模型需要以在线方式评估风险。在这项工作中，我们引入了一个会话预测模型，该模型以无监督的方式学习来会话动力学，并利用它来预测会话发展过程中的未来脱轨。通过将该模型应用于两个新的不同的在线对话数据集（带有反社会事件标签），我们表明，该模型在预测脱轨方面优于最先进的系统。
A Recursive Definition of Goodness of Space for Bridging the Concepts of Space and Place for Sustainabilityhttp://arxiv.org/abs/1909.01073摘要： 由克里斯托弗·亚历山大在其毕生的工作中构思和发展起来的：秩序的本质，整体性被定义为我们周围物理空间的数学结构。然而，正如亚历山大当时所承认的那样，没有一种数学能强大到足以捕捉到他对整体性的概念。最近，已经开发出一种完整性的数学模型及其拓扑表示，它不仅能够解决为什么一个空间是好的，而且能够解决这个空间有多好。本文从结构的角度对空间的良好性（包括大规模和小规模）进行了研究，以期通过整体的概念来连接空间和地点的两个基本概念。从整体和有机的角度来看，整体性提供了空间良好的递归定义。一个空间是好的、真实的和客观的，如果它的相邻空间是好的，那么它所属的更大的空间是好的，并且空间中包含的东西也是好的。最终，在新的空间观下，空间的良好性——空间的可持续性——被认为是事实而不是观点：空间既不是无生命的，也不是中立的，而是一种能够更具生命力或更少生命力，更具可持续性或更少可持续性的生活结构。在新的空间观下，地理或建筑将成为复杂性科学的一部分，不仅用于理解复杂性，还用于制作和改造复杂或生活结构。
Impact of Social Influence on Adoption Behavior: An Online Controlled Experimental Evaluation http://arxiv.org/abs/1909.01409Soumajyoti Sarkar, Ashkan Aleali, Paulo Shakarian, Mika Armenta, Danielle Sanchez, Kiran Lakkaraju摘要： 人们普遍认为，决策者在社交网络中的采纳行为与其从社交网络中的同伴那里接收到的信号数量有关。目前尚不清楚，当它们接收这些信号的“模式”发生变化时，以及当潜在的决策具有不同的效用时，这些相同的原则是否成立。为了深入研究，我们在一个与人类参与者的在线控制实验中操纵社会信号暴露。具体地说，我们改变了信号的数量以及参与者随着时间的推移接收信号的模式。我们通过一个受控博弈来分析它的效果，在这个博弈中，每个参与者在六个不同效用的选择中选择一个，其中有一个选项的效用最大。我们通过保持用户的邻域网络不变，避免了网络效应。在多轮博弈中，我们观察到以下几点：（1）即使在存在货币风险，并且完全了解这六种选择的效用，当决策者的同伴做出类似的选择时，决策者依然倾向于偏离明显的最优决策；（2）当社会信号的数量随时间变化时，参与者选择的决策与社会信号所重新选择的决策相似，因此对社会影响做出反应的概率并不一定与信号的绝对数量成正比（3）在早期获得更高数量的同伴社会信号，在这些轮次汇总时，被证明是一种更有效的社会影响策略。
Adversarial Robustness of Similarity-Based Link Prediction http://arxiv.org/abs/1909.01432Kai Zhou, Tomasz P. Michalak, Yevgeniy Vorobeychik摘要： 链路预测是社会网络分析中的基本问题之一。常用的链路预测技术依赖于相似性度量，该度量使用观察到的子网的拓扑性质来量化未观察到的链路的可能性。最近，用于链路预测的相似性度量被证明容易受到攻击，通过对网络的观测进行恶意修改来隐藏目标链路。我们提出了一种新的方法，通过为分析人员提供一组有限的可靠查询来提高基于相似性的链路预测的鲁棒性，这些查询可以准确地测量查询链接的存在。分析师的目标是通过优化分配可靠的查询来可靠地预测可能的链接集合。我们将分析师的问题转化为贝叶斯stackelberg博弈，在该博弈中，他们首先选择可靠的查询，然后由一个对手删除分析师剩余（不可靠）查询中的一个子集链接。在我们的模型中，分析师不确定对手试图隐藏的特定目标链接，而对手拥有关于分析师和网络的完整信息。针对仅使用局部信息的相似性指标，研究表明这两个参与者的问题都是NP-Hard问题，并且设计了两种原则性和有效的方法来解决它。使用真实网络和合成网络进行的大量实验证明了我们方法的有效性。
Facebook上分享的研究有
多少是公开的？围绕PLOS ONE
论文的公共和私人在线活动比较
How much research shared on Facebook is hidden from public view? A comparison of public and private online activity around PLOS ONE papers http://arxiv.org/abs/1909.01476Asura Enkhbayar, Stefanie Haustein, Germana Barata, Juan Pablo Alperin摘要： 尽管Facebook作为最大的社交媒体平台的地位无可争议，但它从未进入替代计量学研究的主要阶段。在这项研究中，我们认为替代计量学研究人员缺乏关注并不是因为平台上缺乏相关活动，而是因为收集Facebook数据仅限于在选定的公共页面和组中进行活动。我们提出了一种新的方法来收集整个平台上的分享、反应和评论，并使用其来收集2015年至2017年在《PLOS ONE》期刊上发表的所有文章的数据。我们将收集的数据与Altmetric（一家数据科学公司）收集和汇总的替代计量学数据进行比较。结果显示，平台上共享的58.7％的论文发生在公众视野之外，并且在收集所有份额时，活动量近似于之前仅针对Twitter观察到的参与模式。这两项结果都表明，Facebook作为科学和学术交流媒介的作用和影响被低估了。此外，他们强调围绕替代计量学数据收集和汇总的开放和透明的重要性。Network Transfer Learning via Adversarial Domain Adaptation with Graph Convolution http://arxiv.org/abs/1909.01541Quanyu Dai, Xiao Shen, Xiao-Ming Wu, Dan Wang摘要： 本文研究了跨网络节点分类问题，以克服单个网络中标记数据的不足。它的目的是利用部分标记源网络中的标记信息来辅助完全未标记或部分标记目标网络中的节点分类。由于跨网络的域移位，用于单一网络学习的现有方法不能解决该问题。一些多网络学习方法严重依赖于交叉网络连接的存在，因此不适用于这个问题。为了解决这个问题，我们通过利用对抗域自适应和图卷积技术，提出了一种新颖的网络传输学习框架AdaGCN。它由两部分组成：半监督学习组件和对抗域适应组件。前者旨在利用源网络和目标网络的给定标签信息来学习类分区节点表示，而后者有助于减轻源域和目标域之间的分布差异以促进知识转移。对现实世界数据集的广泛实证评估表明，AdaGCN可以在源网络上以低标签率成功传输类信息，并且源域和目标域之间存在显著差异。 Gerrymandering: A Briber’s Perspective http://arxiv.org/abs/1909.01583摘要：本文在改划选区和反向改划选区的背景下开始研究贿赂问题。在最普遍的问题中，投入是一组选民对一系列选择的投票，选民图表，将选民划分成相互关联的区域，每个选民改变其区域的成本，贿赂者的预算，以及贿赂者最喜欢的备选方案等。行贿者需要计算是否可以修改给定的分区，以便达到以下目的：（i）行贿者的最喜欢的备选方案赢得最终的选举，（ii）修改是预算可行的（iii）每个新区域都是连通的。我们研究了上述问题的四种自然变体：选民的图表是任意的与完整图表（对应于消除地区的连通性要求）以及贿赂每个选民的成本是一致的与非一致的。研究表明，即使在相当严格的情况下，所有这四个问题都是NP完备的。因此，我们的结果表明，在这种新的选举攻击下，以地区为基础的选举是非常有抵抗力的。在其他一些情况下，我们用多项式时间算法补充我们的硬度结果。 Social Networks as a Tool for a Higher Education Institution Image Creation http://arxiv.org/abs/1909.01678Olha Anisimova, Valeriia Vasylenko, Solomia Fedushko摘要： 文章根据2010年至2018年世界总人口，呈现出社交网络用户增长的动态。文章确定了乌克兰最受欢迎的社交网络，确定了使用社交网络相对于网络资源用户总数的系统风险指标，并且介绍了高校形象塑造过程中的社会交往类型，强调了利用社交网络塑造教育机构正面形象的特殊性。文章给出了2019年1月、2月和3月Vasyl Stus Donetsk国立大学数学与信息技术学院官方组用户行为的统计指标，以及用户根据出版物主题的平均引用系数。最后，本文还介绍了高等教育机构负面形象塑造过程中的天体冲浪的主要技术。 Different Absorption from the Same Sharing: Sifted Multi-task Learning for Fake News Detection http://arxiv.org/abs/1909.01720Lianwei Wu, Yuan Rao, Haolin Jin, Ambreen Nazir, Ling Sun摘要： 近年来，基于多任务学习的神经网络在虚假新闻检测方面取得了很好的效果，它主要是将任务间的共享特征作为互补特征进行学习，以服务于不同的任务。然而，在大多数现有的方法中，共享特征被完全分配给不同的任务而不进行选择，这可能导致一些无用甚至不利的特征集成到特定的任务中。本文设计了一种选择共享层的筛选多任务学习方法来检测虚假新闻，选择的共享层采用门机制和注意机制过滤和选择任务间的共享特征流。在两个公开的和广泛使用的比赛数据集上的实验表明，我们提出的方法达到了最先进的性能，并分别将F1的成绩提高了0.87%和1.31%。Status in flux: Unequal alliances can create power vacuumshttp://arxiv.org/abs/1909.01826 John Bryden, Eric Silverman, Simon T. Powers摘要： 人类群体表现出各种各样的领导结构，从没有领导者，到不断变化的领导者，再到单一的长期领导者。当一个领导人被罢免时，权力真空的存在可能意味着他们经常被迅速取代。我们缺乏一种合理的解释，来说明这些现象是如何从个人之间相互作用的简单规则中产生的。在这里，我们对领导结构不同阶段之间的过渡进行建模。我们发现了一类新的群体动态行为，其中有一个领导者，当他们失去地位时，很快被取代，表现出权力真空。该模型使用了一个动态的个人网络，这些个人以非强制的方式形成和打破彼此之间的联盟，其中的一个关键参数模拟了这些联盟中的不平等现象。我们运用我们的模型来解释新石器时代领导结构的转变，在新石器时代，越来越不平等的联盟是由于技术发展，如食品储存和武器的发展。我们的方法提供了对技术和社会规范如何影响领导动力和结构的定量理解。
声明：Arxiv文章摘要版权归论文原作者所有，由本人进行翻译整理，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://www.complexly.me （提供RSS订阅）进行同步更新。
集智俱乐部QQ群｜877391004
商务合作及投稿转载｜swarma@swarma.org
◆ ◆ ◆
搜索公众号：集智俱乐部
加入“没有围墙的研究所”
让苹果砸得更猛烈些吧！