- 无线传感器网络鲁棒最大共识的分析与设计;
- 经典随机图中通过一阶相变涌现的度的凝聚;
- 建模分层群集;
- 真正全球身份的基础;
- DDGK：学习深度散度图核的图表示;
- 空间点模式与城市形态：熵、复杂性与网络的视角;
- 基于谱约束的结构化图学习统一框架;
- 网络社区的广义马尔可夫稳定性;
无线传感器网络鲁棒最大共识的分析与设计
原文标题： Analysis and Design of Robust Max Consensus for Wireless Sensor Networks
地址： http://arxiv.org/abs/1904.09377
作者： Gowtham Muniraju, Cihan Tepedelenlioglu, Andreas Spanias
摘要： 提出了一种新的分布式算法，用于在存在附加通信噪声的情况下估计网络中节点初始状态值的最大值。传统上，通过在每次迭代中用最大的接收测量值更新节点状态值，在每个节点处本地估计最大值。然而，由于附加信道噪声，每个节点处的最大值的估计在每次迭代时漂移，这导致节点偏离真实的最大值。 Max-plus代数用作研究遍历过程的工具。引用次加遍遍定理来建立由于噪声引起的状态值的恒定增长率，这通过分析max-plus半环中噪声矩阵乘积的max-plus Lyapunov指数来研究。状态值的增长率由上限限定，该常数取决于网络的谱半径和噪声方差。固定图和随机图都导出了上限和下限。最后，提出了一种对网络中加性噪声具有鲁棒性的双运算算法，并利用浓度不等式分析其方差。还给出了支持该理论的仿真结果。
经典随机图中通过一阶相变涌现的度的凝聚
原文标题： Condensation of degrees emerging through a first-order phase transition in classical random graphs
地址： http://arxiv.org/abs/1904.09457
作者： Fernando L. Metz, Isaac Pérez Castillo
摘要： 由于它们的概念和数学简单性，Erdos-Renyi或经典随机图仍然是在几个领域中模拟复杂相互作用系统的基本范例。虽然在复杂网络理论中已经广泛考虑了凝聚现象，但凝聚到目前为止，我们已经证明经典随机图模型的度数统计经历了泊松状分布和凝聚相之间的一阶相变，后者的特征是大部分节点具有度根据统计物理学中的标准概念讨论了一阶过渡的基础机制。我们揭示了表征模型集合空间的相图，并且我们评估了控制概率的速率函数。观察凝聚态，这表明凝结度是一种罕见的类似统计事件最近在其他几个系统中观察到了凝结现象蒙特卡罗模拟证实了我们理论结果的准确性。
建模分层群集
原文标题： Modelling Hierarchical Flocking
地址： http://arxiv.org/abs/1904.09584
作者： Yongnan Jia, Tamas Vicsek
摘要： 我们提出了一个通用框架，用于在自由边界条件下对各种群集场景进行建模。已经考虑了几种变体 - 包括分层交互单元的广泛观察行为的示例。我们模拟的模型对应于各种现实情况的类。我们的主要目标是在存在噪音的情况下研究鸡群的稳定性。我们的一些发现在第一次近似中是违反直觉的，例如，如果等级基础上纯粹基于支配地位（邻居对决定给定个体的飞行方向的不均衡贡献），则群体更容易松散即使与标准平等主义鸡群进行比较，也会因扰动而产生一致性。因此，我们专注于基于leaderfollower关系建立模型。事实上，我们的研究结果支持这样一个概念，即在重要的实际案例中，等级组织可以非常有效，特别是如果领导者之间的相互作用（对应于潜在的有向交互网络）具有多个层次。即使在集体运动被随机扰动破坏的情况下，这里的效率也与保持稳定（相干和内聚）相关联。我们提出的框架允许研究群集剂成员之间的几种进一步复杂的相互作用。
真正全球身份的基础
原文标题： Foundation for Genuine Global Identities
地址： http://arxiv.org/abs/1904.09630
作者： Gal Shahaf, Ehud Shapiro, Nimrod Talmon
摘要： 全球约有1Bn人出生并没有身份证件。此外，在一代人中预计为1亿人的流离失所者经常发现自己没有有价值的身份证件，即使他们在原籍国有任何证据。鉴于集中的，自上而下的身份授予解决方案使世界人口的大部分失败，自下而上的基层分散解决方案允许每个人创建并拥有一个值得信赖的真正的全球身份。迫切需要。这种自下而上的解决方案只有在对创建虚假和重复身份的恶意攻击者具有弹性时才有价值（所谓的sybils）。此外，为了成为真正的基层解决方案，依靠它来实现全球认同的人也应该是其主权。因此，它的治理也必须具有sybil弹性。在这里，我们为分散的，基层的，自下而上的，自我主权的过程奠定了基础，在这个过程中，每个人都可以轻松地创造和拥有一个真正的全球身份，作为公钥实现。该解决方案依赖于在全球身份中形成“信任网”，但不依赖于生物识别技术，也不需要将公共或甚至第三方存储上的任何个人信息存储在公钥本身之外。该方法旨在使用分布式分类帐/区块链技术实现自然实现。为了使解决方案完整，需要额外的组件，包括鼓励诚实行为的机制和平等加密货币为机制提供动力。这些是未来研究的主题。
DDGK：学习深度散度图核的图表示
原文标题： DDGK: Learning Graph Representations for Deep Divergence Graph Kernels
地址： http://arxiv.org/abs/1904.09671
作者： Rami Al-Rfou, Dustin Zelle, Bryan Perozzi
摘要： 神经网络可以学习比较没有特征工程的图吗？在本文中，我们表明有可能学习图相似性的表示既没有领域知识也没有监督（即特征工程或标记图）。我们提出了Deep Divergence Graph Kernels，这是一种用于学习图表示的无监督方法，它可以编码一个放松的图同构概念。我们的方法由三部分组成。首先，我们学习每个锚图的编码器以捕获其结构。其次，对于每对图，我们训练一个交叉图注意网络，该网络使用锚图的节点表示来重建另一个图。我们称之为同构注意的这种方法捕获了一个图的表示可以编码另一个图的程度。我们使用注意力增强编码器的预测来定义每对图的发散分数。最后，我们使用这些成对的发散分数为所有图构建一个嵌入空间。与以前的工作不同，其中大部分依赖于1）监督，2）领域特定知识（例如依赖于Weisfeiler-Lehman核心），以及3）已知的节点对齐，我们的无监督方法联合学习节点表示，图表示和注意图之间的对齐。我们的实验结果表明，深度发散图核可以学习图之间的无监督对齐，并且当用作许多具有挑战性的图分类任务的特征时，学习的表示获得竞争结果。此外，我们还说明了学习的注意力如何能够洞察跨图的子结构的对齐。
空间点模式与城市形态：熵、复杂性与网络的视角
原文标题： Spatial Point Pattern and Urban Morphology: Perspectives from Entropy, Complexity and Networks
地址： http://arxiv.org/abs/1904.09787
作者： Hoai Nguyen Huynh
摘要： 城市系统或城市的物理形态的空间组织既体现又影响其社会形态的运作方式。因此，对城市空间格局的数学量化对于理解系统的各个方面是重要的。在这项工作中，提出了一个基于熵最大化思想来描述城市位置空间模式的框架。计算系统中的三个空间长度尺度，其在位置的空间布置方面具有辨别的解释。使用这些长度尺度，引入两个量来量化系统的空间模式，即质量退相干和空间退相干，其组合使得能够比较世界上不同的城市。比较揭示了不同类型的城市形态，可归因于城市的地理背景和发展状况。
基于谱约束的结构化图学习统一框架
原文标题： A Unified Framework for Structured Graph Learning via Spectral Constraints
地址： http://arxiv.org/abs/1904.09792
作者： Sandeep Kumar, Jiaxi Ying, José Vinícius de M. Cardoso, Daniel Palomar
摘要： 从数据中学习图表代表了一个在文献中受到广泛关注的规范问题。然而，在将先前的结构知识结合到从数据学习底层图模型方面已经做了不充分的工作。学习具有特定结构的图对于解释和识别数据之间的关系至关重要。有用的结构化图包括多组件图，二部图，连通图，稀疏图和常规图。一般而言，结构化图学习是NP难以组合的问题，因此，设计一般易处理的优化方法极具挑战性。在本文中，我们介绍了一个统一的图学习框架，它位于高斯图模型和谱图论的集成之中。为了在图上强加特定结构，我们首先展示如何将组合约束表示为图矩阵的分析属性。然后，我们开发了一个优化框架，通过图矩阵的谱约束利用特定结构的图学习。所提出的算法可证明是收敛的，计算上有效的，并且实际上适用于许多基于图的任务。使用合成数据集和实际数据集进行的广泛数值实验说明了所提算法的有效性。所有模拟的代码都作为开源存储库提供。
网络社区的广义马尔可夫稳定性
原文标题： Generalized Markov stability of network communities
地址： http://arxiv.org/abs/1904.09877
作者： Aurelio Patelli, Andrea Gabrielli, Giulio Cimini
摘要： 我们通过引入马尔可夫稳定性的一般定义来解决网络中的社区检测问题，基于不同时间尺度上网络上马尔可夫链的概率通量之间的差异。因此，质量函数的特定实现和由此产生的最优社区结构将依赖于马尔可夫过程的类型和所考虑的特定马尔可夫时间。例如，如果我们使用自然马尔可夫链动力学并对其静态分布进行折扣 - 也就是说，我们将无限时间的动力学作为参考过程 - 我们获得马尔可夫稳定性的标准公式。值得注意的是，使用有限时间转换概率来定义参考过程的可能性自然允许以不同的分辨率检测社区，而无需在小的时间限制内考虑连续时间马尔可夫链。基于动态流的马尔可夫稳定性的一般公式的主要优点是我们在网络分区上使用集总马尔可夫链，具有与原始过程相同的静态分布。通过这种方式，质量函数的形式在分区下变得不变，从而导致在不同聚合尺度上的社区结构的自洽定义。
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。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://www.complexly.me （提供RSS订阅）进行同步更新。
