- 配置具有固定度序列的随机图模型;
- 社会媒体图像的抗议活动检测和感知暴力估计;
- PeerHunter：通过社区行为分析检测对等僵尸网络;
- 两个竞争运动员随机模型中的纳什均衡;
- 偶然的意见和疫苗接种流行病学突然转型;
- 科学研究中不确定风险的司法审查;
- 用个性化全局分类器识别可转换的推文;
- 将Twitter活动与股市动荡挂钩;
配置具有固定度序列的随机图模型
地址： http://arxiv.org/abs/1608.00607
作者： Bailey K. Fosdick, Daniel B. Larremore, Joel Nishimura, Johan Ugander
摘要： 随机图零模型已经在分析网络数据集的各种研究社区中广泛应用，包括社会，信息和经济网络，以及食物网，蛋白质 - 蛋白质相互作用和神经元网络。被称为配置模型的最流行的随机图零空间族被定义为具有固定度数序列的图空间上的均匀分布。通常，经验网络的属性与来自配置模型的图集合的属性进行比较，以量化经验网络属性是否有意义，或者它们是否是特定程度序列的共同后果。在这项工作中，我们研究了配置模型规范的微妙但重要的决策，并研究了这些选择在图采样程序和一套应用中的作用。我们特别强调指定适当的图标注（stub标记或顶点标签）的重要性，在此基础上考虑空模型，这是将随机图研究与随机应变表研究紧密连接的选择。我们表明，图标注的选择对简单图的研究是无关紧要的，但可以对具有自循环的多图或曲线图的分析产生重要影响。这些选择的重要性通过一系列三个小插曲来展示，分析了许多不同配置模型下的网络数据集，并观察了不同模型下研究结论的实质差异。我们认为，在每种情况下，只有一种可能的配置模型是适当的。虽然我们的工作侧重于无向静态网络，但其目的是指导有向网络，动态网络以及通过随机图空模型镜头适当研究的所有其他网络环境的研究。
社会媒体图像的抗议活动检测和感知暴力估计
地址： http://arxiv.org/abs/1709.06204
作者： Donghyeon Won, Zachary C. Steinert-Threlkeld, Jungseock Joo
摘要： 我们开发了一种新颖的视觉模型，可以识别抗议者，通过视觉属性描述他们的活动，并估计图像中感知到的暴力程度。社交媒体和抗议活动的研究使用自然语言处理来跟踪个人如何使用主题标签和链接，通常侧重于这些项目的扩散。然而，这些方法在完全表征实际的现实世界的抗议活动（例如暴力或和平）或估计参与者的人口统计学（例如年龄，性别和种族）及其情绪方面可能无效。我们的系统表征了这些方面的抗议活动。我们从2013-2017年收集了地理标记的推文及其图像，并分析了该时期的多个主要抗议活动。使用多任务卷积神经网络来自动分类图像中抗议者的存在，并预测其视觉属性，感知到的暴力和表现出的情绪。我们还发布了加州大学洛杉矶分校抗议图像数据集，我们的新的数据集40,764图像（11,659抗议图像和硬否定）与各种注释的视觉属性和情绪。使用这个数据集，我们训练我们的模型并证明其有效性。我们还在几个流行的抗议事件中提供了关于地理标记图像数据的各种分析的实验结果。我们的数据集将通过https://www.sscnet.ucla.edu/comm/jjoo/mm-protest/访问。
PeerHunter：通过社区行为分析检测对等僵尸网络
地址： http://arxiv.org/abs/1709.06440
作者： Di Zhuang
摘要： P2P僵尸网络已经成为网络安全的主要威胁之一，作为负责各种网络犯罪的基础设施。虽然一些现有的方法声称检测到具有高检测率和低假阳性率（FPR）的P2P僵尸网络，但是它们都不能完全解决所有问题，特别是当要处理的时候：（a）僵尸网络加密指挥控制（C＆C）渠道，（b）隐身僵尸网络几乎不可能观察到网络流量中的任何恶意活动，（c）僵尸网络等待阶段，（d）僵尸网络随机/动态通信模式。在这项工作中，我们提出了一种基于社区行为的PeerHunter方法，该方法能够检测到P2P僵尸网络与上述所有挑战。具体来说，PeerHunter（a）使用相互联系作为通过社区检测方法将同一僵尸网络中的机器人集成到一个社区中的唯一自然特征，（b）使用社区行为特征来检测潜在的僵尸网络社区，并进一步识别来自每个僵尸网络的机器人候选人社区，以及（c）将基于签名的方法组合为可选组件，以进一步将机器人应用程序分类为特定或未知的僵尸网络。通过对实际网络跟踪的广泛实验，PeerHunter可以实现100％的检测率和非常低的FPR。
两个竞争运动员随机模型中的纳什均衡
地址： http://arxiv.org/abs/1709.06460
作者： Cecile Appert-Rolland, Hendrik-Jan Hilhorst, Amandine Aftalion
摘要： 我们提出一个玩具模型，用于随机描述两个不平等力量的运动员之间的竞争，其平均强度差异由参数$ d $表示。运动员通过选择他们的策略$ x，y \在[0,1] $中进行交互。这些变量表示每场投入比赛的能量，并确定每个运动员的表现。每个运动员都会根据自己的知识和他的竞争对手的表现分布，以及对耗尽的危险进行评估，随着投入的能量的增加而增加。我们将此问题作为零和博弈来制定。在数学上，它是在“不连续博弈”的类别中，纳什均衡不能提前保证。我们通过明确的结构证明，问题具有混合策略Nash均衡$ \ big（f（x），g（y）\ big）$为任意$ 0 <d <1 $。概率分布$ f $和$ g $似乎都是连续分量和狄拉克三角形峰值的总和。令人惊奇的是，这个问题是分析易用的。纳什均衡提供了更弱和更强的运动员最佳策略来优化他们获胜的机会。
偶然的意见和疫苗接种流行病学突然转型
地址： http://arxiv.org/abs/1709.06461
作者： Marcelo A. Pires, André L. Oestereich, Nuno Crokidakis
摘要： 这项工作包括疫苗接种加上意见动态的流行模式。我们的目标是研究疾病风险感知如何影响关于疫苗接种的意见，从而影响疾病的传播。与以前的作品不同，我们考虑了持续的观点。流行病传播由具有额外免疫接种状态的SIS样模型控制。在我们的模型中，个人以与他们的观点成比例的概率接种疫苗。意见由于同伴互动的影响而发生变化。对意见动态的流行反馈作为外部领域增加疫苗接种概率。我们在完全连接的人口中进行蒙特卡罗模拟。有趣的是，除了在SIS模型中呈现的通常的主动吸收相变之外，我们观察到出现一阶相变。我们的模拟也显示，通过参数的一定组合，亲疫苗的初始部分的增量有双重作用：短期内可能导致较小的疫情爆发，但也有助于生存的长期感染链。我们的研究结果还表明，更有效的疫苗可能会减少长期的疫苗覆盖面。这是一个违反直觉的结果，但与经验观察一致，疫苗可能成为自己成功的牺牲品。
科学研究中不确定风险的司法审查
地址： http://arxiv.org/abs/1709.06474
作者： Eric E. Johnson
摘要： 很难中和评估大型前沿科学实验带来的风险。由于多种原因，传统风险评估在这种情况下是有问题的。此外，这种实验可以通过操纵风险问题如何构建而与挑战隔绝。然而，法院可以而且必须评估这些风险。在本章中，我提出了定性推理的模式来促进这种评估。
用个性化全局分类器识别可转换的推文
地址： http://arxiv.org/abs/1709.06518
作者： Michail Vougioukas, Ion Androutsopoulos, Georgios Paliouras
摘要： 在本文中，我们提出了一种方法来识别用户可能发现有趣的推文，以便转发。该方法基于全局但是个性化的分类器，该分类器是针对来自多个用户的数据进行培训的，以用户特定的特征表示。因此，该方法对足够数量的数据进行训练，同时还能够进行个性化决定，即由两个不同用户接收的相同的帖子可能导致不同的分类决定。对122名记者收到的大约\ 130K的推文进行实验，我们训练一个逻辑回归分类器，使用各种功能：每个推文的内容，其新颖性，与之前发布或转发的推文的文本相似性或发送者的推文，作者和发件人的网络影响，以及他们过去的互动。我们的系统获得F1约。 0.9只使用10个功能和5K个训练实例。
将Twitter活动与股市动荡挂钩
地址： http://arxiv.org/abs/1709.06519
作者： Fani Tsapeli, Nikolaos Bezirgiannidis, Peter Tino, Mirco Musolesi
摘要： 预测投资者对金融和政治新闻的反应对于股票市场不稳定的早期发现很重要。最近几项研究的证据表明，在线社交媒体可以改善股市走势的预测。然而，利用这些信息预测强劲的股市波动迄今尚未被探索。在这项工作中，我们在Twitter上提出了一种新颖的事件检测方法，用于检测影响特定股票市场的金融和政治事件。所提出的方法对于与财务或政治有关的推文流应用突发主题检测方法，然后进行过滤掉不影响被审查股票市场的事件的分类过程。我们训练我们的分类器，通过仅使用有关股票市场波动的信息来识别真实事件，而不需要手动标签。我们将Twitter事件建模为包含各种信息的特征向量，如Twitter的地理分布，极性，关于作者的信息以及与事件相关的突发字的信息。我们显示，仅使用关于推特极性的信息，像大多数以前的研究一样，导致浪费重要信息。我们将拟议的方法应用于希腊和西班牙股票市场的高频日内数据，我们显示，我们的金融事件检测器成功预测了大部分股市不稳定。
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。本系列在个人博客 https://www.complexly.me 进行更新，并提供RSS订阅。
