流网络中恢复与失效扩散的拓扑理论 | 网络科学论文速递12篇

集智斑图最新论文栏目，关注复杂系统、网络科学、计算社会科学、统计物理等领域的前沿进展，每天即时更新相关顶刊论文，和最新arXiv预印本论文。

本文是对近期arXiv论文的汇总编译（by 彩云小译）。更多最新论文，请扫二维码获取。

核心速递

• 流网络中恢复与失效扩散的拓扑理论；

• 基于 Minkowski 度量的时空仿真模型；

• 模块化允许对音乐和言语感知时期的人脑网络进行分类；

• 通过具有固定节点的选民模型预测选举结果；

• 当深度强化学习遇到联邦学习；

• 用于学习图表示的可解释、稳定和可扩展卷积网络；

• 超模对策中的最优目标选择问题；

• 复杂元胞自动机生成的随机展开方法；

• 从可逆细胞自动机看复动力学；

• 超越社交媒体分析: 用自组织增量式机器学习理解人类行为和深层情感；

• 图形分类的数据增强；

• 网络和站级自行车共享系统预测: 旧金山湾区案例研究；

流网络中恢复与失效扩散的

拓扑理论

原文标题：

Topological theory of resilience and failure spreading in flow networks

地址：

https://pattern.swarma.org/paper?id=356cfdb8-fd54-11ea-8e01-0242ac1a000a

作者：

Franz Kaiser,Dirk Witthaut

摘要：供应网络中的链路故障可能导致灾难性的后果，从而导致网络的完全崩溃。因此，防止失败蔓延的策略受到了广泛的追求。在这里，我们利用线性流网络中链路失效的生成树公式来分析阻止失效扩散的拓扑结构。特别地，我们利用基于 textit { Matrix tree 定理}的电阻网络的一个结果来分析电网中链路故障后的故障扩散。使用链路失效的生成树公式，我们分析了3种基于网络拓扑的策略，这些策略允许减少单链路失效的影响。与基于降低网络连通性的传统遏制策略相比，我们的所有策略都没有降低网格传输流的能力，或者实际上改善了它。我们的研究结果也解释了为什么某些连接特性完全抑制了最近出版物中报道的任何故障扩散。

基于 Minkowski 度量的

时空仿真模型

原文标题：

Simulation model of spacetime with the Minkowski metric

地址：

https://pattern.swarma.org/paper?id=a7e8ddca-fd64-11ea-8e01-0242ac1a000a

作者：

Vasyliy I. Gurianov

摘要：在本文中，我们提出了一个时空仿真模型作为物理空间的离散模型。该模型基于 Stephen Wolfram 的思想，使用非数值模型。将仿真模型描述为一个本体。我们采用面向对象的仿真方法，但是该模型也适用于基于 agent 的仿真。我们使用 UML2 SP (UML Scientific Profile) ，一种面向对象的科学领域仿真语言。本文介绍了几个证明时间膨胀和动态相对论效应的实验。实验结果的重复性可以得到验证。我们在本文中提供了一个到存储库的链接。该模型是用 Python 实现的。

模块化允许对音乐和言语

感知时期的人脑网络进行分类

原文标题：

Modularity allows classification of human brain networks during music and speech perception

地址：

https://pattern.swarma.org/paper?id=c19deaee-fd5a-11ea-8e01-0242ac1a000a

作者：

Melia E. Bonomo,Christof Karmonik,Anthony K. Brandt,J. Todd Frazier

摘要：我们研究使用模块作为全脑功能网络的量词。当受试者听到不同情绪和文化熟悉程度的听觉片段时，大脑网络是由功能性磁共振成像构成的。我们的分析结果揭示了高模块化和低模块化群体的基础上的网络配置在一个主题的喜爱的歌曲，这种分类可以预测网络重构在其他听觉片段。特别是，低模块化组的受试者在熟悉和不熟悉的部分都表现出显著的大脑网络重构。相比之下，高模块化的大脑网络在不熟悉的音乐和语言环境中显得更加健壮，仅仅表现出显著的变化。我们还发现两组在每段听觉中模块组成的稳定性存在差异。我们的研究结果表明，在不同的听觉处理需求下，全脑网络的模块性在网络重构中起着重要作用，因此，它可能有助于在音乐治疗过程中神经可塑性的个体差异。

通过具有固定节点的

选民模型预测选举结果

原文标题：

Forecasting elections results via the voter model with stubborn nodes

地址：

https://pattern.swarma.org/paper?id=ea710f8c-fd55-11ea-8e01-0242ac1a000a

作者：

Antoine Vendeville,Benjamin Guedj,Shi Zhou

摘要：在本文中，我们提出了一种新的方法来预测结果的选举只使用官方的结果以前的。它是基于具有顽固节点的选民模型，并使用我们以前工作中发展的理论结果。我们关注英国保守党和工党以及美国共和党和民主党的普选票数。我们能够对模型参数进行时间演变估计，并使用这些来预测在任何选举中每个政党的选票份额。平均绝对误差为4.74% 。作为一个副产品，我们的参数估计提供了对政治前景有意义的洞察力，告诉我们有多少选民强烈支持和反对被考虑的政党。

当深度强化学习遇到联邦学习

原文标题：

When Deep Reinforcement Learning Meets Federated Learning: Intelligent Multi-Timescale Resource Management for Multi-access Edge Computing in 5G Ultra Dense Network

地址：

https://pattern.swarma.org/paper?id=e937737c-fd55-11ea-8e01-0242ac1a000a

作者：

Shuai Yu,Xu Chen,Zhi Zhou,Xiaowen Gong,Di Wu

摘要：超密集边缘计算(ultra-density edge computing，UDEC)具有巨大的潜力，特别是在5G 时代，但它目前的解决方案仍然面临挑战，如: i)缺乏对多个5G 资源(如计算、通信、存储和服务资源)的有效利用; ii)低开销卸载决策和资源分配策略; iii)隐私和安全保护方案。因此，我们首先提出了一个智能超密集边缘计算(I-UDEC)框架，该框架将区块链和人工智能(AI)集成到5G 超密集边缘计算网络中。首先，我们展示了框架的体系结构。然后，为了实现实时、低开销的卸载决策和资源分配策略，我们设计了一种新的双时间尺度深度强化学习(textit {2Ts-DRL })方法，分别由一个快时间尺度和一个慢时间尺度的学习过程组成。其主要目标是通过联合优化计算卸载、资源分配和服务缓存放置，使卸载总延时和网络资源使用最小。我们还利用联邦学习(FL)以分布式方式训练 textit {2Ts-DRL }模型，以保护边缘设备的数据隐私。仿真结果验证了 I-UDEC 框架下文本{2Ts-DRL }和 FL 的有效性，证明了本文提出的算法可以将任务执行时间减少31.87%。

用于学习图表示的可解释、

稳定和可扩展卷积网络

原文标题：

Explainable, Stable, and Scalable Graph Convolutional Networks for Learning Graph Representation

地址：

https://pattern.swarma.org/paper?id=e8008372-fd55-11ea-8e01-0242ac1a000a

作者：

Ping-En Lu,Cheng-Shang Chang

摘要：将图中的节点映射到欧氏空间中的向量的网络嵌入问题对于解决图中的几个重要任务是非常有用的。近年来，人们提出了图神经网络来解决这一问题。然而，大多数嵌入算法和 gnn 难以解释，并且不能很好地伸缩以处理数百万个节点。在本文中，我们从一个新的角度来处理这个问题，基于三个约束优化问题的等价性: 网络嵌入问题，模块矩阵在采样图中的迹最大化问题，以及采样图中模块矩阵的矩阵分解问题。这三个问题的最优解是模块化矩阵的主要特征向量。为了解决这些问题，我们提出了两种特殊类型的图卷积网络算法: (i)聚类作为特征嵌入的 gcaf-GCN (caf-GCN)和(ii)球形 GCN。这两种算法都是稳定的迹最大化算法，并且它们能够很好地逼近主要特征向量。此外，还有稀疏图的线性时间实现。除了解决网络嵌入问题，这两个提出的 GCNs 都能够执行降维。为了评估我们提出的 GCNs，我们进行了各种实验，结果表明我们提出的 GCNs 比几乎所有的基线方法都要好。此外，CAFE-GCN 可以从标记的数据中获益，并在各种性能指标方面有巨大的改进。

超模对策中的最优目标选择问题

原文标题：

Optimal Targeting in Super-Modular Games

地址：

https://pattern.swarma.org/paper?id=3e701d6e-fc9b-11ea-8c95-0242ac1a000a

作者：

Giacomo Como,Stéphane Durand,Fabio Fagnani

摘要：研究了具有二元行动和有限多个参与人的超模对策的最优目标选择问题。考虑的问题在于选择一个最小规模的玩家子集，这样，当这些玩家的行动被迫达到一个可控的值，而其他玩家被留下来重复进行一个最佳反应动作时，系统将收敛到游戏的最大纳什均衡点。我们的主要贡献在于证明了该问题是 np 完全的，并且提出了一种有效的迭代算法，该算法具有可证明的收敛性。详细讨论了网络协调博弈的特殊情况及其与凝聚力概念的关系。最后，我们通过模拟证明了我们的方法相对于基于经典网络中心性度量的朴素启发式方法的优势。

复杂元胞自动机生成的随机展开方法

原文标题：

Random Expansion Method for the Generation of Complex Cellular Automata

  地址：

https://pattern.swarma.org/paper?id=ac2d263a-fc96-11ea-8c95-0242ac1a000a

作者：

Juan Carlos Seck-Tuoh-Mora,Norberto Hernandez-Romero,Joselito Medina-Marin,Genaro J. Martinez,Irving Barragan-Vite

摘要：元胞自动机中复杂行为的出现是近年来广泛发展的一个领域，其目的是生成和分析产生周期性背景下相互作用的空间移动模式或滑翔机的元胞自动机。通常，这种类型的自动机是通过详尽的搜索或仔细构建演化规则来发现的。在本研究中，利用随机生成的样本，获得了具有复杂行为的元胞自动机的规范。特别是，它提出了一个 n 个状态的细胞自动机应该随机指定，然后扩展到另一个状态数更多的自动机，这样原始的自动机作为周期性的背景运行，其中额外的状态服务于定义滑翔机。此外，本研究还对这种方法进行了说明。在此基础上，利用不同状态的均场近似和局部熵测度，研究了复杂元胞自动机的随机定义方法。用遗传算法对这个规范进行了改进，以获得具有更高复杂度的标本。利用这种方法，可以生成具有数百个状态的复杂自动机，证明随机定义的多状态局部交互可以构造复杂性。

从可逆细胞自动机看复动力学

原文标题：

On complex dynamics from reversible cellular automata

地址：

https://pattern.swarma.org/paper?id=ab903636-fc96-11ea-8c95-0242ac1a000a

作者：

Juan Carlos Seck-Tuoh-Mora,Genaro J. Martinez,Norberto Hernandez-Romero,Joselito Medina-Marin,Irving Barragan-Vite

摘要：复杂性一直是细胞自动机中反复出现的研究课题，因为它们代表了从简单的局部相互作用中产生复杂行为的系统。以往的大量研究已经提出了复杂细胞自动机的实例，但是，大多数提出的方法都是基于仔细的搜索或细致的进化规则的构建。本文介绍了基于可逆元胞自动机的复杂行为的出现。特别地，本文表明可逆细胞自动机是一个适当的框架，可以获得只增加新的随机状态的复杂行为。实验结果表明，可逆元胞自动机随机增加状态的比例比可逆元胞自动机的原始状态数增加约2倍，可以获得复杂性。因此，可以获得具有几十种状态的复杂细胞自动机。复杂性通常来自可逆的细胞自动机，以及使用进化规则中的状态排列或行列排列等其他操作。可逆性是实现细胞自动机中复杂行为的一种有效结构。

超越社交媒体分析: 

用自组织增量式机器学习

理解人类行为和深层情感

原文标题：

Beyond Social Media Analytics: Understanding Human Behaviour and Deep Emotion using Self Structuring Incremental Machine Learning

地址：

https://pattern.swarma.org/paper?id=f40f5850-fc8d-11ea-8c95-0242ac1a000a

作者：

Tharindu Bandaragoda

摘要：这篇论文发展了一个社会数据概念框架，认为社会数据代表了人类社会行为、需求和认知等级的表层，用于将社会数据转化为保存社会行为及其因果关系的表层。基于这个框架，构建了两个平台，以从快节奏和慢节奏的社会数据中获取洞察力。对于快节奏，一个自我结构和在线机机器学习技术被开发来自动捕捉突出的主题和相应的动态随着时间的推移。开发了一种事件检测技术，利用数量和情绪等多项指标，自动监测已确定的主题路径，以发现社会行为的重大波动。这个平台使用了两个大型数据集，包含超过100万条 tweets。分开的主题路径代表了每个实体的关键主题，并与主题一致性措施保持一致。已确定的事件与新闻报道的当代事件相对应。其次，针对慢节奏的社会数据，开发了一套新的机器学习和自然语言处理技术，以自动获取个人自我披露的信息，如人口统计、情感和个人事件的时间轴。这个平台是在从在线支持小组收集的超过400万篇文章的大文集上进行测试的。这一研究进一步扩展到将与前列腺癌相关的在线支持小组讨论转化为一个多维表征，并调查了患者(和合作伙伴)自我披露的生活质量与时间、人口统计学和临床因素的关系。这个扩展平台的能力已经通过从10个前列腺癌在线支持小组收集的文本语料库得到了展示，该小组包括609,960个前列腺癌讨论和22,233个患者。

图形分类的数据增强

原文标题：

Data Augmentation for Graph Classification

地址：

https://pattern.swarma.org/paper?id=52f9465c-fc8c-11ea-8c95-0242ac1a000a

作者：

Jiajun Zhou,Jie Shen,Qi Xuan

摘要：图形分类在药物分类、毒性检测、蛋白质分析等方面有着重要的作用。然而，由于基准数据集规模的限制，使得图分类模型容易陷入过度拟合和不够泛化的局面。针对这一问题，我们引入了图的数据扩充，并提出了两种启发式算法: 随机映射和模体相似性映射，通过对图的结构进行启发式修改，为小规模基准数据集生成更多的弱标记数据。此外，我们提出了一个通用的模型演化框架 M-Evolve，它结合了图增强、数据过滤和模型再训练来优化预训练的图分类器。在6个基准数据集上进行的实验表明，在对小规模基准数据集进行训练时，M-Evolve 方法可以帮助现有的图形分类模型减少过度拟合，并使图形分类任务的准确率平均提高3-12%。

网络和站级自行车共享系统预测:

旧金山湾区案例研究

原文标题：

Network and Station-Level Bike-Sharing System Prediction: A San Francisco Bay Area Case Study

地址：

https://pattern.swarma.org/paper?id=d7728210-fc8a-11ea-8c95-0242ac1a000a

作者：

Huthaifa I. Ashqar,Mohammed Elhenawy,Hesham A. Rakha,Mohammed Almannaa,Leanna House

摘要：本文将机器学习应用于旧金山湾区自行车共享系统，在网络和车站两个层次上开发了自行车可用性建模模型。在站点一级调查业务支助系统是一个全面的问题，将为决策者、规划者和操作者提供所需的详细程度，以作出重要的选择和结论。我们使用随机森林和最小二乘回归算法作为单变量回归算法来建模可用自行车的数量在车站级别。对于多元回归，我们采用偏最小二乘回归(Partial Least-Squares Regression，PLSR)来减少所需的预测模型，并在网络层次上再现系统中不同站点的时空相互作用。虽然单变量模型的预测误差略低，但我们发现多变量模型的结果对于网络级预测是有希望的，特别是在有相对大量空间相关的站点的系统中。此外，站级分析的结果表明，人口信息和其他环境变量是模型自行车在生态系统服务区的重要因素。我们还证明，可用的自行车模型在站级时间 t 有一个显着的影响，自行车计数模型。台站相邻时间和预报时间是显著的预报因子，15分钟是最有效的预报时间。

来源：集智斑图

编辑：王建萍

复杂系统前沿文献交流群

如果你经常关注复杂系统和跨学科研究进展，是网络论文速递栏目的长期读者，欢迎扫描集智小助手，向我们反馈你的需求。欢迎提出宝贵意见，我们一起来探索追踪前沿进展的更好方式。

参与论文速递用户调研后，我们将邀请你加入集智的科研文献交流群。

近期网络科学论文速递

---

集智俱乐部QQ群｜877391004

商务合作及投稿转载｜[e-mail]

◆ ◆ ◆

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！

👇点击“阅读原文”，了解更多最新arxiv论文