Node包管理器的依赖网络健壮性;使用机器学习从网络特征预测金融市场结构;使用潜在空间模型奠定力导向网络布局基础;基于节点的广义友谊悖论失败;多视图对比图聚类;FakeNewsLab：关于防止我们区分真假新闻的偏见和陷阱的实验研究;大型和稀疏网络中beta模型的 L-2 正则化最大似然;基于路径的方法分析全球班轮运输网络;使用移动性和 Web 搜索数据通过基于社会的图神经网络进行多波 COVID-19 预测;在存在交通不稳定的情况下消除由谷段引起的交通拥堵的拥塞吸收驱动策略的系统大小依赖性;Node包管理器的依赖网络健壮性原文标题： Node package manager’s dependency network robustness地址： http://arxiv.org/abs/2110.11695作者： Andrej Hafner, Anže Mur, Jaka Bernard摘要： npm 依赖网络的健壮性是一个至关重要的属性，因为许多项目和 Web 应用程序严重依赖包的功能，尤其是具有许多依赖包的流行包。过去，有过某些 npm 包的删除或更新导致互联网上大范围混乱和网页停机的情况。我们的目标是随着时间的推移跟踪网络对此类事件的恢复能力，并确定网络的状态是否趋向于更强大的结构。我们表明网络对针对性攻击并不健壮，因为几个关键节点的安全风险会影响网络的很大一部分。由于此类软件包通常由具有高标准的严肃社区提供支持，因此该问题并不令人担忧，而是网络幂律分布的结果。当前平均依赖数量和重要节点对网络其余部分的影响呈下降趋势，这进一步提高了弹性，并为发展奠定了积极的道路。此外，我们展示了社区围绕最重要的包形成，尽管它们不符合使用模块化的通用社区定义。我们还提供软件包开发指南，以提高网络的稳健性并降低引入安全风险的可能性。使用机器学习从网络特征预测金融市场结构原文标题： Forecasting Financial Market Structure from Network Features using Machine Learning地址： http://arxiv.org/abs/2110.11751作者： Douglas Castilho, Tharsis T. P. Souza, Soong Moon Kang, João Gama, André C. P. L. F. de Carvalho摘要： 我们提出了一个模型，该模型使用机器学习从基于链接和节点的金融网络特征预测市场相关性结构。为此，通过量化全球主要市场指数的公司成分之间资产价格回报的时间相关联动，将市场结构建模为动态资产网络。我们使用三种不同的网络过滤方法来估计市场结构，即动态资产图 (DAG)、动态最小生成树 (DMST) 和动态阈值网络 (DTN)，提供经验证据。实验结果表明，与基于时不变相关的基准相比，所提出的模型可以以高预测性能预测市场结构，最多可提高 40% 美元。与传统上使用的所有研究市场的成对相关度量相比，非成对相关特征显示出很重要，特别是在股票市场结构的长期预测中。为 DAX30、EUROSTOXX50、FTSE100、HANGSENG50、NASDAQ100 和 NIFTY50 市场指数的股票成分提供了证据。调查结果可用于改进投资组合选择和风险管理方法，这些方法通常依赖于后向协方差矩阵来估计投资组合风险。使用潜在空间模型奠定力导向网络布局基础原文标题： Grounding force-directed network layouts with latent space models地址： http://arxiv.org/abs/2110.11772作者： Felix Gaisbauer, Armin Pournaki, Sven Banisch, Eckehard Olbrich摘要： 力导向布局算法是各种科学学科中普遍使用的网络可视化工具。然而，他们缺乏理论基础，无法严格解释他们的结果。我们提出了一种基于潜在空间网络模型的方法，该方法假设节点形成联系的概率取决于它们在未观察到的潜在空间中的距离。从这样的潜在空间模型中，我们推导出力导向布局算法的力方程。通过这种方法，力导向的布局变得可解释，因为力可以推断位置，从而最大化潜在空间模型下给定网络的可能性。我们为（未）有向的未加权和加权网络实施这些力。我们对不同的现实世界网络进行空间化，在其中找到反映在布局中的中心网络属性，并将布局与当今已经使用的不同力导向算法进行比较。基于节点的广义友谊悖论失败原文标题： Node-based Generalized Friendship Paradox fails地址： http://arxiv.org/abs/2110.11821作者： Anna Evtushenko, Jon Kleinberg摘要： 友谊悖论——“你的朋友比你有更多朋友”的原则——是关于图中度数的组合事实；但鉴于许多基于 Web 的社交活动与用户的程度相关，这一事实被更广泛地用于表明“你的朋友也比你更活跃”的经验原则。这个广义友谊悖论，即概念任何与程度正相关的属性都遵守友谊悖论，已经在网络级版本中以数学方式建立，该版本基本上在网络的所有边上均匀聚合。然而，我们在这里展示了广义友谊悖论的基于自然节点的版本——它在节点上聚合，而不是边——可能会失败，即使度属性相关性接近 1。这个版本是否成立不仅取决于度- 属性相关性，而且还取决于底层网络结构，因此不能说是普遍现象。我们为这个基于节点的广义友谊悖论建立了正面和负面的结果，并考虑了它对社会网络数据的影响。多视图对比图聚类原文标题： Multi-view Contrastive Graph Clustering地址： http://arxiv.org/abs/2110.11842作者： Erlin Pan, Zhao Kang摘要： 随着信息技术的爆炸式增长，多视图图数据变得越来越普遍和有价值。大多数现有的多视图聚类技术要么专注于多图或多视图属性的场景。在本文中，我们提出了一个通用框架来聚类多视图属性图数据。具体来说，受对比学习成功的启发，我们提出了多视图对比图聚类 (MCGC) 方法来学习共识图，因为原始图可能是嘈杂的或不完整的，并且不能直接适用。我们的方法由两个关键步骤组成：首先过滤掉不需要的高频噪声，同时通过图过滤保留图几何特征，并获得节点的平滑表示；然后我们学习了一个由图对比损失正则化的共识图。几个基准数据集的结果表明我们的方法相对于最先进的方法的优越性。特别是，我们的简单方法优于现有的基于深度学习的方法。FakeNewsLab：关于防止我们区分真假新闻的偏见和陷阱的实验研究原文标题： FakeNewsLab: Experimental Study on Biases and Pitfalls Preventing us from Distinguishing True from False News地址： http://arxiv.org/abs/2110.11729作者： Giancarlo Ruffo, Alfonso Semeraro摘要： 在社交媒体上发布和传播错误信息是由个人对新闻真实性的决定引发的，这些决定可能会在几分钟内大规模地引起广泛而深入的连锁反应。当个人接触到信息时，他们通常需要几秒钟的时间来决定内容（或来源）是否可靠，并最终将其分享。虽然验证谣言的机会往往只是一键点击，但许多用户未能做出正确的评价。我们通过实施由 7,298 名不同志愿者编制的基于网络的调查问卷来研究这种现象。参与者被要求将 20 条新闻标记为真或假。有趣的是，假新闻比真新闻更容易被正确识别，但令人惊讶的是，显示整篇文章而不仅仅是标题，并不会提高总体准确性。此外，在某些情况下，显示新闻的原始来源可能会误导用户，而群体的智慧可以积极地帮助个人正确分类的能力。此外，在编译调查时自主打开额外浏览器选项卡的参与者显示出比没有的用户更高的准确性。这表明支持用户决策的并行事实检查活动。最后，自称是年轻人的用户也更频繁地打开新标签页，这表明他们更熟悉网络。大型和稀疏网络中beta模型的 L-2 正则化最大似然原文标题： L-2 Regularized maximum likelihood for beta-model in large and sparse networks地址： http://arxiv.org/abs/2110.11856作者： Yu Zhang, Qiuping Wang, Yuan Zhang, Ting Yan, Jing Luo摘要： beta-model 是一个强大的工具，用于对由节点度异质性驱动的网络生成进行建模。其简单而富有表现力的性质特别适合大型稀疏网络，其中由于计算挑战和观察稀缺性，许多网络模型变得不可行。然而，现有的 beta-model 估计算法并没有扩大规模；理论理解仍然仅限于密集网络。本文对beta-模型的方法和理论进行了几项重大改进，以解决实际应用的迫切需求。我们的贡献包括： 1. 方法：我们提出了一个新的 ell_2 惩罚 MLE 方案；我们设计了一种新颖的算法，可以轻松处理数百万个节点的稀疏网络，比任何现有算法都快得多，内存也更节省； 2. 理论：我们在更弱的假设下对 beta 模型提出了新的误差界限；我们还建立了新的下界和新的渐近正态性结果；与现有文献不同，我们的结果涵盖了小型和大型正则化场景，并揭示了它们独特的渐近依赖结构； 3. 应用：我们将我们的方法应用于大型 COVID-19 网络数据集并发现有意义的结果。基于路径的方法分析全球班轮运输网络原文标题： A Path-based Approach to Analyzing the Global Liner Shipping Network地址： http://arxiv.org/abs/2110.11925作者： Timothy LaRock, Mengqiao Xu, Tina Eliassi-Rad摘要： 海运网络是全球贸易的支柱。通过该网络的货物移动数据有多种形式，从船舶级自动识别系统 (AIS) 数据到汇总的双边贸易量统计数据。运输系统的多个网络表示可以从任何一个数据源中导出，每个数据源都有优点和缺点。在这项工作中，我们以班轮航运服务路线的形式检查数据，通过大型航运物流数据库从各个航运公司汇总的港口到港口网络中的步行列表。该数据本质上是连续的，因为每条航线代表货船停靠的一系列港口。以前的工作在没有充分利用顺序信息的情况下分析了这些数据。我们的贡献是开发一种基于路径的方法来分析班轮运输服务路线数据，计算通过网络的导航轨迹，并将这些路径与使用相同数据的其他网络表示计算的路径进行比较。我们进一步使用这些轨迹通过网络重新分析先前确定的结构核心的作用，以及定义和分析节点和边的介数中心性度量。使用移动性和 Web 搜索数据通过基于社会的图神经网络进行多波 COVID-19 预测原文标题： Multiwave COVID-19 Prediction via Social Awareness-Based Graph Neural Networks using Mobility and Web Search Data地址： http://arxiv.org/abs/2110.11584作者： J. Xue, T. Yabe, K. Tsubouchi, J. Ma, S. V. Ukkusuri摘要： COVID-19 的反复爆发对全球社会造成了持久的影响，这需要使用各种早期可用的数据来预测大流行浪潮。使用流动性数据预测第一波爆发的现有预测模型可能不适用于多波预测，因为美国和日本的证据表明，不同波次的流动模式与感染病例的波动表现出不同的关系。因此，为了预测多波大流行，我们提出了一种基于社会意识的图神经网络 (SAB-GNN)，它考虑了与症状相关的网络搜索频率的衰减，以捕捉跨多波公众意识的变化。 SAB-GNN 将 GNN 和 LSTM 相结合，对城区、区际流动模式、网络搜索历史和未来 COVID-19 感染之间的复杂关系进行建模。我们训练我们的模型，使用其在 2020 年 4 月至 2021 年 5 月期间在 ANONYMOUS_COMPANY 在严格隐私保护规则下收集的四次大流行浪潮中的移动性和网络搜索数据来预测东京地区未来的大流行病爆发。结果表明我们的模型优于其他基线，包括 ST-GNN 和 MPNN+LSTM。尽管我们的模型在计算上并不昂贵（只有 3 层和 10 个隐藏神经元），但提议的模型使公共机构能够预测和准备未来的大流行爆发。在存在交通不稳定的情况下消除由谷段引起的交通拥堵的拥塞吸收驱动策略的系统大小依赖性原文标题： System-size dependence of a jam-absorption driving strategy to remove traffic jam caused by a sag under the presence of traffic instability地址： http://arxiv.org/abs/2110.11433作者： Ryosuke Nishi, Takashi Watanabe摘要： 谷段是下坡变为上坡的路段，是高速公路的瓶颈。本研究阐明了系统规模（系统中的车辆数量）对阻塞吸收驾驶 (JAD) 策略的影响，以消除在所有车辆都是联网车辆 (CV) 的系统中由下垂引起的交通拥堵并在有下陷的单车道道路上行驶。我们的策略使用 CV 作为浮动传感器检测交通拥堵 (DFTJ) 的下游前沿，并在 DFTJ 上游分配最近的 CV 预设距离或更多以开始 JAD 机动：在未来消失时间附近向目标奔跑- DFTJ 的空间点。每一步，我们都会检测 DFTJ，并更新目标和这个 CV 的机动性。通过目标位置消除堵塞后，该 CV 恢复其跟车行为，我们分配另一个 CV 开始 JAD 机动以消除下一个堵塞。具有交通不稳定性的跟驰模型的数值模拟通过改变给定距离的预设距离评估了每辆车平均总行驶时间 (MAT) 的最大减少量，以及每辆车平均总油耗 (MAF) 的最大减少量。系统规模从 500 到 10000 辆车不等。数值结果表明，MAT 和 MAF 随系统规模的增加而增加。 MAT 的增长率相对于系统规模略有增加，而 MAF 的增长率相对于系统规模下降，直到大约 5000 辆车，并且在较大系统规模的波动中大致稳定。随着系统规模的增加，MAT 和 MAF 的最佳预设距离大致恒定，前者比后者短得多。因此，不可能同时实现 MAT 和 MAF。尽管如此，对于大型系统，实现 MAF 会显著减少每辆车的平均总旅行时间。声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，未经同意请勿随意转载。本系列在公众号“网络科学研究速递”（netsci）和个人博客进行同步更新。
本文出自快速备案，转载时请注明出处及相应链接。