期望动力学在异质人群中的预测能力 | 复杂性科学顶刊精选8篇

集智斑图顶刊论文速递栏目上线以来，持续收录来自Nature、Science等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「集智斑图」推送论文信息。

扫描下方二维码，关注“集智斑图”服务号，即可订阅Complexity Express：             

Complexity Express 一周论文精选

以下是2021年5月31日-6月6日来自Complexity Express的复杂性科学论文精选。如果Complexity Express列表中有你感兴趣的论文，欢迎点赞推荐，我们会优先组织解读~

目录：

1、期望动力学在异质人群中的预测能力

2、设计有限资源情况下实现同步的结构时变网络

3、非串联的信息因果关系

4、模块化交互网络的最优韧性

5、生命之网中的合成线

6、家庭新冠风险与线下教育

7、人工智能道德监督

8、面向高拼车率的激励驱动型转化

更新提醒：顶刊速递已支持论文图片速览

1. 期望动力学在异质人群中的预测能力

期刊来源：Nature Communications

论文标题：

Aspiration dynamics generate robust predictions in heterogeneous population

论文地址：

https://www.nature.com/articles/s41467-021-23548-4

合作等社会行为深深植根于有机体各个层面的日常互动中。特别是在人类表现出与其他人合作、协调和分工的非凡能力。这种社会行为对于人类社会的生存和发展是必不可少的。因此，了解社会行为的演变非常重要。经过数十年的研究，进化博弈论已被证明是研究社会行为进化的有力工具。

事实上，在过去的几十年里，人们对结构化种群中的进化博弈进行了深入研究。最重要的问题之一是种群结构如何改变进化结果。结果表明，这个问题的答案很大程度上取决于更新规则（update rules）。更新规则是个人的显式行为规则，它指定了他们使用什么样的信息以及他们如何处理这些信息以确定未来的行为。在进化博弈中，更新规则需要的信息通常包括个人的策略和收益。作为决策的输入，所使用的信息很可能会影响个体的行为更新，从而导致人口层面的变化。一种受到特别关注的信息是社交同行的收益信息。最近的人类行为实验表明，个人是否使用社交同伴的回报信息来更新行为可能对社交互动的结果至关重要，例如，群体中的合作水平或网络结构人群中的合作水平。

在每个时间步，随机选择一个人并给予机会修改其策略。研究人员假设个人遵循基于自我评估的规则，根据这些规则，他们通过比较从游戏中获得的收益与他们的愿望来评估他们的策略。愿望要么是个性化的，这意味着每个人 l 都有自己的愿望 α_l (l = 1, 2, ⋯ , N)，或者取决于策略，这意味着使用策略 A 的个人有一个愿望 α_A，使用 B 的人有 α_B。为简单起见，研究人员考虑固定的愿望，这意味着没有因学习而对愿望进行调整。如果这种由愿望驱动的更新规则是确定性的，那么愿望水平就成为满意和失望之间的明确界限：如果个人的回报超过其愿望，则结果被认为是令人满意的，它将重复其策略；如果回报低于期望值，它会感到失望并转向其他策略。在现实生活中，策略更新涉及错误并承认有限理性，这可以通过概率（随机）策略切换更好地捕获。概率可以由满意度决定，即回报和愿望之间的差异。

个体通过与其最近的邻居进行游戏来获得边加权平均收益

此外，基于愿望的自我评价规则与强化学习有关。强化学习背后的基本原理是桑代克在 1898 年提出的效果定律：带来满意效果的动作将更可能被重复，导致不适的动作将更不可能发生。除了对动作的强化，这类似于本项研究的随机更新规则。在实践中，愿望也可以根据过去的经验发展。虽然该模型没有考虑这些特征，但这项的工作为异构群体中的多智能体学习迈出了重要的一步，而关于强化学习的文献通常侧重于最简单的两人重复游戏（参见最近的一些常规图的例外情况）。扩展本模型以纳入愿望适应和行动强化是未来的方向。

2. 设计有限资源情况下

实现同步的结构时变网络

期刊来源：Nature Communications

论文标题：

Designing temporal networks that synchronize under resource constraints

论文地址：

https://www.nature.com/articles/s41467-021-23446-9

同步对于物理学、生物学等多个学科中的系统都至关重要，通常来说这些系统都需要在资源有限的情况下来完成同步。例如蓝藻的生物钟需要通过振子-振子交换反应实现对分子生化振荡器的同步来调节，该过程中存在能量耗散；遵守分布式控制协议的多主体系统的同步性能会受到可用能量的限制。对于上述类型的相互作用不会发生改变的静态振子系统来说，通常存在一个使得系统保持同步的最小耦合强度，可以以最小耦合强度实现系统同步的振子相互作用网络结构是最优的。当耦合强度小于时，不存在可以在不违背资源约束的情况下保持同步的网络结构。

设计比最佳静态网络更容易同步的时变网络

然而，上述结论只针对网络结构不可变的静态系统。先前的研究表明，与静态系统相比，连接关系随时间变化的系统（简称时变系统）可以更好的达到同步。然而这些研究通常集中在连边关系的快速切换极限上，即网络结构的变化比节点变化快得多的情形，可以视为准静态过程，因此在快速切换极限下，时变网络无法在同步能力上超越静态网络。6月1日发表在 Nature Comunnications 上的一篇文章展示了时变网络的全部潜力，其表现超出了快速切换的限制。文章发现当以合适的速率切换网络结构时，系统可以在耦合强度全部低于的情况下保持同步。

3. 非串联的信息因果关系

期刊来源：Physical Review Letters

论文标题：

Information Causality without Concatenation

论文地址：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.126.220403：

信息因果关系是一个物理原理，它指出即使发送方和接收方可以访问非局域的关联源，通过经典通信信道随机访问的数据量均不能超过其通道容量。该原理可以用来限制量子力学的非定域性，而无需诉诸其完整的哈密顿形式，其中一个著名的例子是重现 Clauser-Horne-Shimony-Holt 不等式的 Tsirelson 边界。但为了获得更强的边界值，需要串联多个非信号源，导致该不等式结果的推广受到限制，几乎不可推广至其它贝尔不等式。6月4日发表在 Physical Review Letters 的文章指出可以通过对通信信道容量的限制取代串联，因此能够以更简单的方式重新推导先前已知的结果，并在某些情况下显著改进结果，并将信息因果关系应用于以前束手无策的贝尔场景。

4. 模块化交互网络的最优韧性

期刊来源：PNAS

论文标题：

Optimal resilience of modular interacting networks

论文地址：

https://www.pnas.org/content/118/22/e1922831118

网络科学已经被广泛应用于研究复杂系统的韧性，例如金融系统、基础设施等。现实世界的网络具有独特的模块化结构，节点组与同一模块中的其他节点连接紧密，而与其他模块的连接较为松散。在其他情况下，一种类型的子网（如电网、能源系统）与另一类型的子网（如通信系统、社交网络）相互作用，从而形成一个包含不同类型子网的交互网络（interacting networks）。目前已有研究证明这种交互网络的韧性往往取决于内部特定的耦合模式。然而，对于交互网络以及具有连接的特定节点（互联节点）如何影响整体网络的韧性，一直缺乏精确的理解。

近日，发表在 PNAS 上的一项研究开发了两个来探索这种模块化交互网络的韧性，包括特定的确定性耦合模式和特定子网随机连接的耦合模式。研究发现，当交互边总数不变时，渗流相变位置随互连节点数的增加产生非单调变化。此外，存在一个互连节点的最优比例r∗能让系统具有最优韧性并能够抵御更多的扰动。研究结果表明，尽管最优r∗的确切值根据耦合模式而变化，但对于所有耦合模式均存在这样一个最佳点。该研究结果提供了对网络韧性的更深理解，并展示了如何根据特定的耦合模式对网络进行优化。

上图为一个模块化交互网络示例。（A）整个网络的度分布遵循幂律分布，一些子网连接许多其他子网，而大多数子网只连接少数其他子网。在子网络中，度分布可以遵循泊松分布（模块B）或幂律分布（模块C）。任意两个连通子网络之间的连边遵循一定的度分布（D），连接两个子网的节点称为互联节点。

5. 生命之网中的合成线

期刊来源：PNAS

论文标题：

Synthetic threads through the web of life

论文地址：

https://www.pnas.org/content/118/22/e2004833118

CRISPR-Cas是生物科学领域的游戏规则改变者，该突破性的技术发现了一种名叫Cas9的特殊编程酶，可利用它切除并取代DNA的特定部分，进行基因编辑。该技术将人类带入了合成生物学时代，但担忧也随兴奋而来，该技术在开放环境中的应用将产生何种影响？基因过程、演化及生态系统的相互作用将如何影响经过基因编辑的生物体？为了回答这些问题，科学家需要面对跨越多个生物组织层级的复杂系统的相互作用。

6月1日发表在PNAS的文章对CRISPR-Cas技术带来的问题进行了细致讨论。文章首先讨论了会影响基因编辑生物体的多层相互作用系统，其次解决了基因驱动的应用所引起的基因传播问题，随后通过探讨干旱与常态下固氮对河流硅藻的影响，来引出问题“何处可能会出错？”以及“如何检测变化并在其恶化前进行预警？”接下来，文章以社会价值观的视角对CRISP-Cas技术进行了讨论。最后，文章描述了可以帮助研究人员履行追踪、管理编辑生物体责任的资源和培训。

6. 家庭新冠风险与线下教育

期刊来源：Science

论文标题：

Household COVID-19 risk and in-person schooling

论文地址：

https://science.sciencemag.org/content/372/6546/1092

学校在疾病传播中的作用以及关闭学校的价值一直是 COVID-19 大流行中最具争议的问题之一。关于面对面的学校教育对个人和社区造成的严重急性呼吸系统综合症冠状病毒 2 (SARS-CoV-2) 风险究竟有多大，目前一直存在争论。尽管普遍认为应该有可能采取适当的缓解措施来安全地开学，但关于需要何种程度缓解措施的数据很少，甚至没有达成一致意见。

许多生态研究表明，面对面的学校教育与社区 SARS-CoV-2 传播的速度和范围之间存在关联，尽管这些结果并不一致。尽管在学校和类似学校的环境中爆发了许多疫情，但在疫情环境之外的研究表明，当缓解措施到位时，学校内的传播是有限的，并且感染率与周围社区的感染率无大差别。

来自面对面教育的风险和按年级分配缓解措施

7. 人工智能道德监督

期刊来源：Nature Human Behaviour

论文标题：Bad machines corrupt good morals论文地址：https://www.nature.com/articles/s41562-021-01128-2

随着人工智能技术的大范围应用，新技术的弊端也引发了大众的隐忧。蹩脚的技术产品可能会为成为生活中的笑料，而当人工智能被应用到商业与公共决策中时，当所谓“困在系统中的外卖员”现象出现时，公众也自然会担心人工智能在道德层面上的腐败问题。来自的德国马克斯 · 普朗克人类发展研究所的 Nils Köbis 、Iyad Rahwan 和法国图卢兹大学 Jean-François Bonnefon 就分析了人工智能和人类的关系与角色、厘清决策的责任划分并对如何更好的监督人工智能系统给出了建议。这一研究成果于 2021 年 6 月 3 日发表在 Nature Human Behaviour 网站上。

在该文章中，研究者把人工智能与人的关系依照其影响力划分为四类：模范（Role Model）、顾问（Advisor）、伙伴（Partner）和委派（Delegate）。模范意味着人类会完全遵从机器给出的决策；顾问则是将人工智能系统的建议供人参考；在伙伴模式中人与机器会互相影响，而委派的意思就是人工智能系统所作出的决策完全是人类决策意志的体现。

研究者认为，在单一的使用场景中，人工智能系统的破坏能力并不强于人类。但当这样的系统被大规模应用时，所带来的问题就值得令人担忧。我们需要进行更多的实验去判断评估人工智能系统在破坏能力上与人类的差异。并且，人类最终应当为人工智能系统的行为负责，而不是假借机器之“手”，以减少自己的负罪感。

8. 面向高拼车率的激励驱动型转化

期刊来源：Nature Communications

论文标题：Incentive-driven transition to high ride-sharing adoption论文地址：https://www.nature.com/articles/s41467-021-23287-6

拼车（共乘）通过组合两个或多个出发点和目的地相似的出行需求来同时运送多个乘客，是一种有潜在巨大市场、推动可持续城市交通的出行方式。拼车提升了每辆车的平均利用率，减少了满足相同需求所需的车辆总数，从而缓解了城市交通的拥堵和负面环境影响。因此，从系统的角度来看，鼓励单乘机动车出行的拼车是很好的选择。然而，出行者们是否以及在何种情况下真正愿意采用拼车仍然是个谜，尤其是如何鼓励越来越多的打车用户选择拼车。

在有许多类似出行需求地点，拼车是最有效的出行方式。然而，近日Nature Communications 上的一项研究揭示人们的拼车意愿并不遵循这一趋势。研究者对个体拼车行为决策背后的基本动机进行建模，发现了两种相反的机制：一种是低拼车率机制，即随着需求的增加，拼车数量会减少；另一种是高拼车率机制，即人们的拼车行为不依赖需求。在高需求极限下，这些机制之间的转化变得不连续，拼车率突然从低到高。研究分析了纽约市和芝加哥超过3.6亿次的出行请求，研究表明上述两个机制在城市中共存。另外，即使是适度增加经济激励，也可能对个别用户群体的拼车率产生非线性的巨大影响。

上图表示激励机制之间的平衡决定出行者是否选择拼车。有三种基本激励因素：经济折扣、预期绕路程度或形成时间时间不确定性、与陌生人拼车带来的不便。

集智新栏目Complexity Express 上线啦！

Complex World, Simple Rules.

复杂世界，简单规则。

复杂性科学（Complexity Science）是集智俱乐部多年以来的主题，我们长期追踪关于自然、生命、社会、认知等各类复杂系统的研究进展，并组织学术研讨。

同时由于学科交叉融合，大量针对复杂系统的研究成果散落在人工智能、统计物理、网络科学、数据科学、计算社会科学、生命科学、认知科学等等不同领域的期刊会议中，缺乏整合。

为了让大家能及时把握复杂系统领域重要的研究进展，我们隆重推出「Complexity Express」服务，汇总复杂系统的最新顶刊论文。

Complexity Express 是什么？

Complexity Express 每天爬取复杂系统领域最新发表的顶刊论文，每周通过“集智斑图”服务号汇总推送。

进入 Complexity Express 页面即可随时查看顶刊论文更新，你也可以通过微信接收研究更新推送和一周汇总。

Complexity Express 为谁服务？

• 如果你是复杂系统领域的研究者，可获得重要论文上线通知，每周获取最新顶刊论文汇总。

• 如果你是复杂系统领域的学习者，可了解学界关注的前沿问题，把握专业发展脉络。

• 如果你是传统的生命科学、社会科学等学科中的研究者/学习者，可以从复杂性科学和跨学科研究中获得灵感启发。

• 如果你是关注前沿研究发现的知识猎手，可获得复杂系统研究对自然和人类世界的最新洞见。

Complexity Express 栏目也是集智俱乐部公众号的主要选题来源，诚挚邀请你订阅，与我们信息同步。

Complexity Express 论文从哪里来？

考虑复杂系统研究往往属于跨学科工作，我们主要抓取综合类和泛物理类/计算机类的顶级期刊，从每周新发表的数百篇论文中精选出与复杂系统相关的论文。

Complexity Express 参考影响因子和学者口碑，选择了如下期刊，每日爬取其论文更新：

• Nature

• Science

• PNAS

• Nature Communications

• Science Advances

• Physics Reports

• Physical Review Letters

• Physical Review X

• Nature Physics

• Nature Human Behaviour

• Nature Machine Intelligence

• 更多期刊持续增补中，欢迎推荐你认为重要的期刊！

如果你在 Complexity Express 中发现了感兴趣的论文，请立刻“点赞”！每周最高赞的论文，集智编辑部将组织专业解读~

Complexity Express 追踪哪些领域？

我们力求兼顾热点追踪与领域覆盖，目前筛选的论文主要集中在如下与复杂性关系密切的领域：

• 网络科学各个分支及交叉应用

• 图数据与图神经网络

• 计算机建模与仿真

• 统计物理与复杂系统理论

• 生态系统、进化、生物物理等

• 系统生物学与合成生物学

• 计算神经科学与认知神经科学

• 计算社会科学与社会经济复杂系统

• 城市科学

• 科学学

• 计算流行病学

• 以及一些领域小众，但有趣的工作

由于复杂性研究领域横跨多个学科，研究论文散落在不同的期刊上，很难不重不漏地把握最新工作。针对复杂性领域的论文筛选，我们专门设计了算法。经过数月的训练迭代优化，目前对上述领域爬取准确率达到90%以上。

将来我们还会根据你的具体研究领域，推出研究分类与个性化的订阅服务，敬请期待！

由于复杂性领域涉及的论文关键词和研究问题纷繁复杂，所以算法难免有不成熟的地方，如果你发现我们有漏掉的重要论文，或者爬到了领域有偏差的论文，欢迎联系我们（小助手微信：swarmaAI），帮助我们持续优化算法。

如果你对科学学、计算术语学等感兴趣并有代码能力，欢迎报名成为集智算法志愿者/实习生（具体请邮件联系算法组负责人[e-mail]）。

如果你对复杂性科学及相关跨学科研究有长期兴趣，并乐于解读分享，欢迎加入集智作者团队（具体请邮件联系编辑部负责人[e-mail]）。

更多论文

更多复杂性顶刊论文，请到Complexity Express页面查看。订阅即可每周获取更新提醒。

点击“阅读原文”，追踪复杂科学顶刊论文