庞大网络上的渗流：理论与应用;用优化框架解释和统一图神经网络;通过庞大网络上的流传动态检测隐藏层;保持感染性的网络稀疏器：使用有效反抗力探索盛行边的重要性;用于软件错误自动分类的时空图神经网络框架;重复囚徒逆境中多主体强化学习的对称平衡;通过可变形卷积对空间非平稳性举行建模以举行深度交通流预测;通过二维方法分析德国COVID-19扩散流传;纽康-本福德定律：物理学家使用数字1的频率比9的频率高吗？;WallStreetBets：排名或克制;在COVID-19盛行模型中振荡的自组织;思量个性的推荐系统综述;挫折的最佳成本调整：在仓本坂口模型中实现所需状态;CML-COVID：具有潜在主题、情感和位置信息的大规模COVID-19 Twitter数据集;庞大网络上的渗流：理论与应用原文标题： Percolation on complex networks: Theory and application地址： http://arxiv.org/abs/2101.11761作者： Ming Li, Run-Ran Liu, Linyuan Lü, Mao-Bin Hu, Shuqi Xu, Yi-Cheng Zhang摘要： 在已往的二十年中，从组成庞大系统的组件的异构交互模式的角度来看，网络科学蓬勃生长并影响着各个领域，例如统计物理学，盘算机科学，生物学和社会学。作为随机和半随机毗连的规范，渗透模型在网络科学及其应用的生长中起着关键作用。
一方面，接纳与渗流理论密切相关的观点和分析方法，例如巨型团簇的泛起，有限尺寸标度和均值场方法，来量化和求解某些焦点网络问题。另一方面，对渗流理论的看法也有助于明白网络系统，例如结实性，盛行性流传，重要节点识别和社区检测。
同时，网络科学还为渗透理论自己带来了一些新问题，例如强大的异构系统的渗透，逾越成对相互作用的网络拓扑转换以及相互毗连的巨型集群的泛起。到现在为止，渗流理论已经渗透到网络科学的结构分析和动态建模研究中。
明白渗流理论应该有助于网络科学的许多领域的研究，包罗网络前沿仍悬而未决的问题，例如除成对交互作用之外的网络，时间网络和网络。本文的目的是提供这些应用法式的概述，以及网络系统上渗滤过渡的基本理论。用优化框架解释和统一图神经网络原文标题： Interpreting and Unifying Graph Neural Networks with An Optimization Framework地址： http://arxiv.org/abs/2101.11859作者： Meiqi Zhu, Xiao Wang, Chuan Shi, Houye Ji, Peng Cui摘要： 图神经网络（GNN）在用于多种任务的图结构化数据学习中已受到相当多的关注。
设计良好的流传机制已被证明有效，是GNN的最基本部门。只管大多数GNN基本上遵循消息通报方式，可是人们已经做出了许多努力来发现和分析其基本关系。在本文中，我们建设了具有统一优化问题的差别流传机制之间的令人惊讶的联系，讲明只管种种GNN都在激增，但实际上，它们提出的流传机制是在广泛的图类上优化特征拟合函数的最佳解决方案图正则项的内核。
我们提出的统一优化框架总结了几个最具代表性的GNN之间的共性，不仅为观察差别GNN之间的关系提供了一个宏观的视角，而且还为灵活设计新的GNN提供了新的时机。通过提出的框架，我们发现现有的作品通常使用朴素的图卷积核来举行特征拟合，而且思量到可调图核划分显示低通或高通滤波能力，我们进一步开发了两个新颖的目的函数。此外，我们提供了所提出模型的收敛性证明和表达能力比力。
在基准数据集上举行的大量实验清楚地讲明，提出的GNN不仅优于最新方法，而且还具有良好的缓解过分平滑的能力，并进一步证明晰使用我们的统一优化框架设计GNN的可行性。通过庞大网络上的流传动态检测隐藏层原文标题： Detecting Hidden Layers from Spreading Dynamics on Complex Networks地址： http://arxiv.org/abs/2101.11758作者： Łukasz G. Gajewski, Jan Chołoniewski, Mateusz Wilinski摘要： 当处置惩罚网络上的扩展历程时，测试数据的可靠性并确定潜在的未视察到的扩展路径可能至关重要。
在本文中，我们解决了这些问题，并提出了隐藏层识别和重建的方法。我们还探讨了任务难度与形貌流传历程发生的整个系统的多层网络结构之间的相互作用。
我们的方法源于在任意图上的易感熏染模型中级联可能性的准确表达。然后，我们讲明，通过寻求单峰漫衍的统计特性和形貌一系列级联的团结似然性的简朴启发式方法，可以估算出隐藏层的存在及其内容，其乐成率远远凌驾了空模型。
我们在综合和现实网络上举行分析，为所提出方法的可行性提供证据。保持感染性的网络稀疏器：使用有效反抗力探索盛行边的重要性原文标题： Contagion-Preserving Network Sparsifiers: Exploring Epidemic Edge Importance Utilizing Effective Resistance地址： http://arxiv.org/abs/2101.11818作者： Alexander Mercier摘要： 网络盛行病学已成为明白高度极点，地理和人口社区以及社会结构中其他不匀称性对疾病流传的影响的重要工具。
可是，许多来自现代数据集的网络都很是麋集，例如移动性网络，其中每个位置都链接到大量潜在的目的地。淘汰在这些网络上模拟盛行病的盘算量的一种方法是稀疏化，在稀疏化中，我们凭据边重要性的某种怀抱来选择代表性的边子集。最近，提出了一种使用基于边有效电阻的算法的方法。
我们探索如何有效反抗与SI模型中边流传疾病的概率相关。我们发现，在某些情况下，边重要性的这两个观点具有很好的相关性，从而使有效反抗成为边对盛行病流传的重要性的有效盘算主体。在其他情况下，相关性较弱，我们讨论了有效抗药性不能很好地取代盛行病重要性的情况。用于软件错误自动分类的时空图神经网络框架原文标题： A Spatial-Temporal Graph Neural Network Framework for Automated Software Bug Triaging地址： http://arxiv.org/abs/2101.11846作者： Hongrun Wu, Yutao Ma, Zhenglong Xiang, Chen Yang, Keqing He摘要： 错误分类历程是将错误陈诉分配给最合适的开发人员的基本历程，与软件开发的质量和成本密切相关。
由于手动错误分配是一项劳动麋集型任务，尤其是对于大型软件项目，因此，已经提出了许多基于机械学习的方法来自动分类错误陈诉。只管开发人员协作网络（DCN）是动态的，而且在现实世界中不停生长，可是大多数自动错误分类方法都集中在单个时间片上的静态掷图上。另外，以前的研究都没有思量开发人员之间的周期性交互。
为明白决上述问题，在本文中，我们提出了一种新颖的时空动态图神经网络（ST-DGNN）框架，其中包罗团结随机游走（JRWalk）机制和图递归卷积神经网络（GRCNN）模型。特别是，JRWalk旨在通过同时思量节点重要性和边重要性来使用两种采样计谋对图中的局部拓扑结构举行采样。GRCNN具有三个具有相同结构的组件，即每小时周期，天天周期和每周周期的组件，以明白动态DCN的时空特征。
通过与属于节点分类的两个特定领域任务中的几种最新图表现学习方法举行比力，我们评估了该方法的有效性。在这两个任务中，从Eclipse和Mozilla项目收集的两个真实的，大规模的开发人员协作网络上的实验讲明，所提出的方法优于所有基准方法。
重复囚徒逆境中多主体强化学习的对称平衡原文标题： Symmetric equilibrium of multi-agent reinforcement learning in repeated prisoner’s dilemma地址： http://arxiv.org/abs/2101.11861作者： Yuki Usui, Masahiko Ueda摘要： 我们研究了重复监犯的逆境博弈，两名玩家交替使用强化学习来获得最佳的影象一计谋。我们从理论上解决了强化学习的团结Bellman最优方程。
我们发现，在十六种确定性计谋中，胜负输局计谋，严峻计谋以及始终存在缺陷的计谋可以形成相互强化学习历程的对称平衡。通过可变形卷积对空间非平稳性举行建模以举行深度交通流预测原文标题： Modeling Spatial Nonstationarity via Deformable Convolutions for Deep Traffic Flow Prediction地址： http://arxiv.org/abs/2101.12010作者： Wei Zeng, Chengqiao Lin, Kang Liu, Juncong Lin, Anthony K. H. Tung摘要： 深层神经网络正越来越多地用于短期交通流量预测。
现有的基于卷积的方法通常将基础区域划分为网格状的空间单元，并接纳尺度卷积来学习单元之间的空间依赖性。可是，具有牢固几何结构的尺度卷积不能完全模拟当地交通流的非平稳特征。
为了克服该缺陷，我们引入了可变形卷积，该变形卷积通过附加偏移量来增加空间采样位置，以增强空间非平稳性的建模能力。在此基础上，我们设计了一个深层可变形卷积残差网络，即DeFlow-Net，该网络可以有效地建模交通流的全局空间依赖性，局部空间非平稳性和时间周期性。此外，为了更好地适应卷积，我们建议首先凭据预先构想的感兴趣区域汇总流量，然后处置惩罚顺序组织的栅格图像以举行网络输入。在现实世界中举行的大量实验讲明，使用尺度卷积，DeFlow-Net的性能优于现有解决方案，而且按预先设想的区域举行空间划分可以进一步提高性能。
最后，我们展示了DeFlow-Net在保持空间自相关方面的优势，并展现了分区形状和规模对深度交通流预测的影响。通过二维方法分析德国COVID-19扩散流传原文标题： COVID-19 propagation by diffusion — a two-dimensional approach for Germany地址： http://arxiv.org/abs/2101.12011作者： Guenter Bärwolff摘要： 扩散随处可见。
如果存在梯度或一定量的电势差，则会发生扩散历程，如果仅到达平衡，则扩散历程竣事。物质的浓度可以是这样的量，也可以是电压。醋栗将由例如电压差驱动。
在此COVID-19大盛行中，一个地域同时视察到了两个发病率低的地域，而另一个地域则发现了高发病率的地域。当地差别的人口密度可能是造成这种情况的原因。在人口浓密的地域（如大都会或拥挤的都会地域），COVID-19的发病率高于农村地域。
本文的目的在于应用扩散观点来形貌COVID-19流传的一个可能问题。将凭据德国差别联邦州完全差别的发病率数据针对德国的情况对此举行讨论。纽康-本福德定律：物理学家使用数字1的频率比9的频率高吗？原文标题： The Newcomb—Benford law: Do physicists use more frequently the key 1 than the key 9?地址： http://arxiv.org/abs/2101.12068作者： Andrea Burgos, Andrés Santos摘要： Newcomb-Benford定律，也称为第一数位定律，给出与数据集的第一位相关的概率漫衍，因此第一有效数位的概率为 30.1 ％，划分为 1 和 4.58 ％是 9。该定律可以扩展到第二个和下一个有效数字。
在本文中，对定律的发现，定律稳定性质的派生以及一些应用和示例作了先容。另外，提出了一个简朴的动态模型，该模型可以模拟初始数据集在顺序乘以因子 2 后的变化方式。在该模型中，证明晰生成的数据集的第一位数字漫衍不行逆地收敛于Newcomb-Benford定律。WallStreetBets：排名或克制原文标题： WallStreetBets: Positions or Ban地址： http://arxiv.org/abs/2101.12110作者： Christian Boylston, Beatriz Palacios, Plamen Tassev, Amy Bruckman摘要： r / wallstreetbets（WallStreetBets或WSB）是致力于消除模因和高风险期权生意业务的次级债券。
停止2020年3月30日，subreddit拥有近110万订户的用户，并自我形貌为“如果4chan找到了彭博终端机”。本文将使用Amy Jo Kim的社区设计原则以及社会意理学理论作为框架，以明白这个杂乱，时常令人反感的社区如何在该平台上开发出最大，最忠实的用户群之一。我们将进一步论证，诙谐在促进团队凝聚力和为生意业务员（和面纱薄薄的赌徒）提供很是规的第三名方面起着至关重要的作用，生意业务员（和面纱薄薄的赌徒）以粗俗而诙谐的方式相互寻求支持。
在COVID-19盛行模型中振荡的自组织原文标题： Self-organization of oscillation in an epidemic model for COVID-19地址： http://arxiv.org/abs/2101.12151作者： Takashi Odagaki摘要： 在隔离模型的基础上，当熏染的小我私家数量 I 的净变化率 lambda 由 lambda - I 平面中的椭圆给出时，研究盛行曲线。在 [I ell，I_h] 中受支持。对于 a equiv（I_h-I ell）/（Ih + I ell），讲明（1）当 a <1 或 I _ ell> 0 时，熏染曲线的振荡是自组织的，振荡的周期与（Ih-I ell）和几何平均值 sqrt Ih I ell Ih 和 I ell （2），当 a = 1 时，熏染曲线显示了一种临界行为，即在a长时间后，听从幂指数函数为 -2 的幂律函数时，它会衰减（3）当 a> 1 时，熏染曲线在峰值后的长时间限制内呈指数衰减。
当前效果讲明，可以通过使 I _ ell <0 的措施来控制大盛行。思量个性的推荐系统综述原文标题： A Survey on Personality-Aware Recommendation Systems地址： http://arxiv.org/abs/2101.12153作者： Sahraoui Dhelim, Nyothiri Aung, Mohammed Amine Bouras, Huansheng Ning, Erik Cambria摘要： 随着个性盘算作为与人工智能和个性心理学相关的新研究领域的兴起，我们见证了个性感知推荐系统的空前增长。与通例推荐系统差别，这些新系统解决了诸如冷启动和数据稀疏性问题之类的传统问题。
这项观察旨在研究个性识别系统并对其举行系统分类。据我们所知，本次观察是第一个偏重于个性感知推荐系统的观察。通过比力个性感知推荐系统的个性化建模方法和推荐技术，我们探索了个性感知推荐系统的差别设计选择。此外，我们先容了常用的数据集并指出了个性识别推荐系统的一些挑战。
挫折的最佳成本调整：在仓本坂口模型中实现所需状态原文标题： Optimal cost tuning of frustration: Achieving desired states in the Kuramoto-Sakaguchi model地址： http://arxiv.org/abs/2101.12171作者： Gemma Rosell-Tarragó, Albert Díaz-Guilera摘要： 有许多研究过的现实世界系统的示例，这些系统可以形貌为以各个阶段为特征并耦合到类似网络的结构中的动态系统。在振荡模型的框架内，人们对熊本模型投入了许多注意力，仓本模型思量了通过相位差的正弦函数相互作用的一组振荡器。在本文中，我们借鉴了Kuramoto模型的扩展，即Kuramoto-Sakaguchi模型，该模型向每个节点添加了相位滞后参数。我们构建了一种通用形式主义，该形式主义允许盘算可能导致线性近似内的任何相位设置的滞后参数集。
特别地，我们特别注意完全同步和对称设置的情况。我们讲明，稳态下的固有频率，相位滞后参数和相位的荟萃由一个方程式耦合，一连解的谱是可行的。为了量化系统到达特定设置所需的压力，我们界说了成本函数并盘算出将其最小化的最佳参数集。
只管思量了模型的线性近似，但我们讲明，在完全同步的情况下，所获得的调整参数也增强了非线性模型中的频率同步。CML-COVID：具有潜在主题、情感和位置信息的大规模COVID-19 Twitter数据集原文标题： CML-COVID: A Large-Scale COVID-19 Twitter Dataset with Latent Topics, Sentiment and Location Information地址： http://arxiv.org/abs/2101.12202作者： Hassan Dashtian, Dhiraj Murthy摘要： 作为平台，Twitter已成为与COVID-19大盛行相关的重要公共讨论场所。
诸如Twitter之类的公共社交媒体平台代表了与大盛行有关的重要到场站点，这些数据可被研究团队用于社会，康健和其他研究。明白有关COVID-19的民众舆论以及信息如何在社交媒体中流传对于政府和研究机构来说很是重要。
Twitter是一个无处不在的公共平台，因此对于明白民众与COVID-19相关的看法，行为和态度具有庞大的实用性。在这项研究中，我们先容了CML-COVID，这是来自5,977,653位奇特小我私家的19,298,967百万条推文的COVID-19 Twitter数据集，并总结了这些数据的某些属性。这些推文是在2020年3月至2020年7月之间使用查询词冠状病毒，covid和与COVID-19相关的掩码收集的。我们使用主题建模，情感分析和形貌性统计数据来形貌与我们收集的COVID-19相关的推文以及推文的地理位置（如果有）。
我们提供有关如何会见tweet数据集的信息（使用twarc存档）。声明：Arxiv文章摘要版权归论文原作者所有，机械翻译后由本人举行校正整理，未经同意请勿随意转载。本系列在民众号“网络科学研究速递”（netsci）和小我私家博客举行同步更新。
本文来源：开云·体育(中国)平台官网-www.jcjzjx.com
点击咨询
069-62218194
