- 教师招聘网络的动态;
- 电信网络中基于影响力的根本原因警报发现方法;
- 反馈中心性的公理系统;
- 传统时间序列模型和混合时间序列模型在预测COVID-19病例中的比较;
- COVID-19：从新病例的时间序列中提取有效再生数;
- 二模网络投影的元验证;
教师招聘网络的动态
原文标题： The Dynamics of Faculty Hiring Networks
地址： http://arxiv.org/abs/2105.02949
作者： Eun Lee, Aaron Clauset, Daniel B. Larremore
摘要： 教师招聘网络-招聘毕业生为教师的企业，其职位层次结构严峻，这可能加剧学术界的社会和认知不平等。理解驱动这些模式的机制，将有助于使该学院多样化的努力，并为雇用人员在塑造科学发现方面的作用提供新的思路。在这里，我们调查了结构机制可以解释等级和其他网络特征的程度，这些特征是在经验型教师招聘网络中观察到的。我们研究了一系列自适应重布线网络模型，这些模型以五种不同的方式增强了层次结构内的机构声望。每种机制都会根据该机构的声望评分来确定新员工来自某个特定机构的可能性，这是从招聘网络的现有结构推论得出的。我们发现，真正的招聘网络中的结构性不平等和集中性模式可以通过全球安置力量的机制得到最好的再现，在这种机制中，来自某个特定机构的新员工与之前在任何地方被聘用的员工的数量成比例。另一方面，通过本地安置权的机制可以更好地概括有偏见的网络测度，在这种机制中，从特定机构中提取新员工的比例与其在该招聘机构中已经存在的先前员工的数量成正比。这些相反的结果表明，加强教师招聘网络层次结构的基本结构机制是全球和地方对机构声望的偏好的混合。在这些动态下，我们表明，由于动态竞争对绝大多数知名机构的青睐，每个机构在层次结构中的地位都非常稳定。
电信网络中基于影响力的根本原因警报发现方法
原文标题： An Influence-based Approach for Root Cause Alarm Discovery in Telecom Networks
地址： http://arxiv.org/abs/2105.03092
作者： Keli Zhang, Marcus Kalander, Min Zhou, Xi Zhang, Junjian Ye
摘要： 警报根本原因分析是日常电信网络维护中的重要组成部分，对于高效，准确地进行故障定位和故障恢复至关重要。在实践中，由于网络的复杂性和大量的警报，准确和可自行调整的警报根本原因分析是一个巨大的挑战。一种常见的故障根本原因识别方法是通常基于事件共现或条件独立性测试来构造具有近似边的图。但是，边修剪通常需要相当多的专家知识。我们提出了一种用于根源警报定位的新型数据驱动框架，结合了因果推理和网络嵌入技术。在此框架中，我们设计了一种混合因果图学习方法（HPCI），该方法将Hawkes过程与条件独立性测试相结合，并提出了一种新的基于因果传播的嵌入算法（CPBE）来推断边权重。随后，我们通过在加权图上应用影响力最大化算法，在实时数据流中发现根本原因警报。我们在人工数据和现实世界的电信数据上评估了我们的方法，显示出相对于最佳基准而言的显著改进。
反馈中心性的公理系统
原文标题： An Axiom System for Feedback Centralities
地址： http://arxiv.org/abs/2105.03146
作者： Tomasz Wąs, Oskar Skibski
摘要： 近年来，公理化的集中度测量方法在文献中引起了人们的注意。但是，大多数论文都提出了一系列公理，这些公理专门针对一种或两种考虑过的中心性度量。结果，很难捕捉到各种度量之间的差异和相似性。在本文中，我们为四个经典的反馈中心提出了一个公理系统：特征向量中心，Katz中心，Katz信誉和PageRank。我们证明，这四个中心性度量中的每一个都可以用我们的公理的一个子集来唯一地表征。我们的系统是文献中第一个考虑所有四个反馈中心的系统。
传统时间序列模型和混合时间序列模型在预测COVID-19病例中的比较
原文标题： Comparison of Traditional and Hybrid Time Series Models for Forecasting COVID-19 Cases
地址： http://arxiv.org/abs/2105.03266
作者： Samyak Prajapati, Aman Swaraj, Ronak Lalwani, Akhil Narwal, Karan Verma, Ghanshyam Singh, Ashok Kumar
摘要： 时间序列预测方法在估计流行病的传播中起着至关重要的作用。 2019年12月的冠状病毒爆发已经感染了全球数百万人，并继续蔓延。就在爆发曲线开始趋于平缓之时，许多国家又开始目睹病例上升，现在被称为第二次大流行。因此，需要对时间序列的预测模型进行彻底的分析，以使州政府和卫生官员具备针对未来时间的直接策略。该研究的目的是三方面的：（a）模拟传播的总体趋势； （b）对确诊病例发生率最高的国家（美国，印度和巴西）作出为期10天的短期预报； （c）定量确定最适合对时间序列的线性和非线性特征进行精确建模的算法。通过比较报告的数据和预测值，然后对算法（先知，Holt-Winters，LSTM，ARIMA和ARIMA-NARNN）进行排名，对每个国家的累计病例总数的预测模型进行比较。 RMSE，MAE和MAPE值。 ARIMA和NARNN（非线性自回归神经网络）的混合组合在所选模型中具有降低的RMSE，从而获得了最佳结果，事实证明，该模型比最流行的时间序列预测方法（ARIMA）提高了近35.3％ ）。结果证明，在封装流行病数据集的线性和非线性模式方面，ARIMA-NARNN模型与其他预测方法（如Prophet，Holt Winters，LSTM和ARIMA模型）的混合实现方式有效。
COVID-19：从新病例的时间序列中提取有效再生数
原文标题： COVID-19: The extraction of the effective reproduction number from the time series of new cases
地址： http://arxiv.org/abs/2105.03330
作者： Evangelos Matsinos
摘要： 这项工作针对的是五种流行算法的性能，这些算法旨在根据新确诊病例的时间序列评估COVID-19疾病的传播动态。测试基于模拟数据，该模拟数据借助于确定性的隔间流行病学模型 cite Matsinos2020a生成，此处经过修改以也包括康复的（或接种疫苗的）受试者群体丧失免疫力的可能性。假设有效繁殖数的时间依存性（就这项工作的结论而言，确切的细节无关紧要），则在五个年份中，前一年在近一年的时域内产生了新病例的时间序列。到2021年1月1日，按累计感染数量对国家/地区进行排名。这些国家（按照感染程度降序排列）：美利坚合众国，印度，巴西，俄罗斯和英国。每个模拟时间序列的处理导致分别建立输入（实际）与每个国家和算法的有效复制数量的重构值之间的关系；这项工作认为，当后者超过临界值 1 时，所有五个算法都低估了有效再生数。随后将这五种算法应用于上述五个国家/地区的新病例的真实时间序列，这些时间跨度也接近一年。这些国家在2020年获得了有效繁殖数的校正值。
二模网络投影的元验证
原文标题： Meta-validation of bipartite network projections
地址： http://arxiv.org/abs/2105.03391
作者： Giulio Cimini, Alessandro Carra, Luca Didomenicantonio, Andrea Zaccaria
摘要： 双向网络的单方投影是在复杂系统中建模间接交互的关键工具。从这些系统中提取信息模式的标准方法是使用适当的空网络模型对它们进行统计验证。无效模型的一种流行选择是配置模型（CM），它是通过限制网络的程度并随机化其他所有事物来构建的。但是，存在不同的CM公式，具体取决于程度约束的施加方式以及二分网络的哪些节点。在这里，我们系统地研究了各种CM公式在过滤同一网络中的应用，表明即使采用相同的统计阈值，它们也会导致截然不同的结果。相反，对于相同密度的统计上有意义的链接，可以获得更相似的结果。特别是，我们表明，在特定的密度值范围内，可能会出现共同的群落结构。最后，我们开发了一种元验证方法，该方法可以识别信号最强的特定于模型的统计阈值，同时获得独立于无效假设的表达方式的结果。
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.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。
