• 在动态网络中发现稠密相关子图;
• 估计并提高网络的结构鲁棒性;
• ISHNE：用于异构网络嵌入的影响自注意力;
• 扩散者事件和投影网络的局限性，以刻画多模网络上的动态;
• 在线平台上检测辱骂性语言：一项批判性分析;
• 流行病的分析，预测和控制：从标量到动态网络模型的调查;
• 姿态检测的错误信息和虚假信息识别研究;
• 通过信息提取自动生成组织间灾难响应网络;
• 在热力学极限中某些社会困境博弈的纳什均衡映射，哈密顿动力学与达尔文演化;
• 通过图距离分析丢失数据场景中的犯罪网络;
• 基于实时更新的动态社会网络的COVID-19最佳疫苗接种策略;
• 具有环境噪声的加权多层网络中的社区检测;
• 来自全局和局部有影响力节点的网络增长;
• 狂热分子在自适应投票模型中的作用;
• 同质性对数字邻近跟踪的影响;
• 考虑人口行为和疫苗接种的美国COVID-19的建模和预测;
• 两层网络上的多路引起的触发点;
• 隔离区域和复杂网络系统的粗粒化;
• 基于特征向量的复杂网络集群同步分析;
• 时滞微分方程用于流行病的空间分辨模拟，具体应用于COVID-19;

在动态网络中发现稠密相关子图

原文标题： Discovering Dense Correlated Subgraphs in Dynamic Networks

地址： http://arxiv.org/abs/2103.00451

作者： Giulia Preti, Polina Rozenshtein, Aristides Gionis, Yannis Velegrakis

摘要： 给定一个动态网络，其中边随时间出现和消失，我们有兴趣寻找具有相似时间行为并形成密集子图的边集。形式上，我们将问题定义为满足特定密度和相似性阈值的最大子图的枚举。为了测量时间行为的相似性，我们使用表示边活动的二进制时间序列之间的相关性。对于密度，我们根据平均程度研究了两个变体。对于这些问题的变体，我们枚举了最大的子图，并计算了具有有限重叠的子图的紧凑子集。我们提出了一种近似算法，该算法可以随着网络的大小很好地扩展，同时又可以实现较高的精度。我们在真实和综合数据集上评估我们的框架。综合数据的结果证明了逼近的高精度，并显示了框架的可扩展性。

估计并提高网络的结构鲁棒性

原文标题： Estimating and increasing the structural robustness of a network

地址： http://arxiv.org/abs/2103.00247

作者： Silvia Noschese, Lothar Reichel

摘要： 网络应对威胁和抵御攻击的能力称为鲁棒性。本文讨论了一种鲁棒性，通常称为结构鲁棒性，当与网络相关联的邻接矩阵的谱半径减小时，该鲁棒性会增加。我们讨论了用于识别边的计算技术，这些边的去除可能会大大减小谱半径。利用非对称邻接矩阵的伪谱对其进行研究。特别是，当人们试图通过佩戴不同质量的口罩来避免被Covid-19感染时，我们会考虑出现非对称邻接矩阵。

ISHNE：用于异构网络嵌入的影响自注意力

原文标题： ISHNE: Influence Self-attention for Heterogeneous Network Embedding

地址： http://arxiv.org/abs/2103.00118

作者： Yang Yan, Qiuyan Wang

摘要： 近年来，Graph Neural Networks因其对网络特征（如宏观结构和单节点属性）进行建模的巨大潜力而受到学术界的广泛关注。然而，先前的主流工作主要集中在同构网络上，并且缺乏表征网络异质性的能力。此外，大多数以前的文献无法在显微镜视野下对影响进行建模，因此无法对多种关系类型中的异质性和相互相互作用之间的联合关系进行建模。在本文中，我们提出了一个影响力自我注意网络，以解决上述困难。为了建模异质性和相互影响，我们在单一类型关系级别上重新设计了具有影响因子的注意力机制，该机制在相同的基于元路径的模式下从其相邻邻居那里学习重要性系数。为了将异构元路径整合到一个统一的维度中，我们根据学习到的元路径系数，开发了一种基于自我注意的元路径关系融合框架。我们的实验结果表明，我们的框架不仅比当前最新的基线获得更高的结果，而且在描绘复杂网络结构下的异构交互关系方面也显示出了广阔的前景。

扩散者事件和投影网络的局限性，以刻画多模网络上的动态

原文标题： Spreader events and the limitations of projected networks for capturing dynamics on multipartite networks

地址： http://arxiv.org/abs/2103.00027

作者： Hyojun A. Lee, Luiz G. A. Alves, Luís A. Nunes Amaral

摘要： 许多具有科学意义的系统可以概念化为多部分网络。例子包括性传播感染的传播，科学合作，人类友谊，产品推荐系统和代谢网络。在实践中，通常会在投影到一类节点后丢失重要信息的情况下对这些系统进行研究。在这里，我们通过比较时间多方网络及其时间聚集的单方投影上的传输动力学来确定丢失的信息对我们预测系统动力学的能力的影响，从而解决了巨大的知识鸿沟。我们表明，传输模型的动力学在多部分网络上及其在三个层次上的预测上可能截然不同：最终结果，从实现到实现的可变性的大小以及时间轨迹的整体形状。我们发现，在时间聚合规模上，节点数与活动边数的比值决定了投影网络刻画多部分网络动态的能力。最后，我们探索了多部分网络的哪些属性对于生成能够更好地重现实际多部分网络中观察到的动力学行为的合成网络至关重要。

在线平台上检测辱骂性语言：一项批判性分析

原文标题： Detecting Abusive Language on Online Platforms: A Critical Analysis

地址： http://arxiv.org/abs/2103.00153

作者： Preslav Nakov, Vibha Nayak, Kyle Dent, Ameya Bhatawdekar, Sheikh Muhammad Sarwar, Momchil Hardalov, Yoan Dinkov, Dimitrina Zlatkova, Guillaume Bouchard, Isabelle Augenstein

摘要： 在线平台上的辱骂性语言是一个主要的社会问题，通常会导致一些重要的社会问题，例如代表性不足的少数民族被边化。仇恨言论，亵渎和网络欺凌等多种形式的侮辱性语言，而在线平台则试图对其进行调节，以限制社会危害，遵守法律并为用户创建更具包容性的环境。在自然语言处理领域，研究人员开发了多种自动检测辱骂性语言的方法，通常着眼于特定的子问题或狭窄的社区，因为被认为是侮辱性语言的情况因上下文而异。我们认为，目前在哪种类型的在线语言平台要遏制的滥用语言之间，以及为自动检测滥用语言而开展的研究工作之间存在分歧。因此，我们以此为依据调查了在线平台的现有方法以及内容审核政策，并为以后的工作提出了建议。

流行病的分析，预测和控制：从标量到动态网络模型的调查

原文标题： Analysis, Prediction, and Control of Epidemics: A Survey from Scalar to Dynamic Network Models

地址： http://arxiv.org/abs/2103.00181

作者： Lorenzo Zino, Ming Cao

摘要： 在持续的COVID-19大流行期间，流行病传播的数学模型已成为强有力的工具，可以对流行病的发展做出有价值的预测，从而帮助公共卫生当局决定应实施哪些干预政策。对这些模型的研究（基于系统理论并经常使用控制理论工具进行分析）对于来自不同领域（包括流行病学，工程学，物理学，数学，计算机科学，社会学，经济学）的许多研究人员而言是极为重要的研究领域和管理。在本次调查中，我们回顾了历史，并介绍了流行病动力学建模，分析和控制方面的最新技术。我们讨论了确定性或随机性流行病建模的不同方法，从最初实施微分方程的标量系统到描述人口水平上流行病的扩散，再到动态网络中刻画空间分布和人际互动的时变性质。

姿态检测的错误信息和虚假信息识别研究

原文标题： A Survey on Stance Detection for Mis- and Disinformation Identification

地址： http://arxiv.org/abs/2103.00242

作者： Momchil Hardalov, Arnav Arora, Preslav Nakov, Isabelle Augenstein

摘要： 检测文本中表达的态度（也称为姿势检测）已经成为在线检测错误信息的重要任务，无论是错误信息（故意是虚假的）还是虚假信息（故意是虚假的，有恶意地故意传播）。姿态检测已经以不同的方式进行了构架，包括：（a）作为事实检查，谣言检测和检测先前经过事实检查的声明的组成部分；或（b）作为一项任务本身。尽管之前已经做出过努力将姿态检测与其他相关的社交媒体任务（例如，论证挖掘和情感分析）进行对比的研究，但没有从整体角度检查姿态检测与错误和虚假信息检测之间关系的调查。这项调查。在讨论经验教训和未来挑战之前，我们将回顾和分析该领域的现有工作。

通过信息提取自动生成组织间灾难响应网络

原文标题： Automated Generation of Interorganizational Disaster Response Networks through Information Extraction

地址： http://arxiv.org/abs/2103.00287

作者： Yitong Li, Duoduo Liao, Jundong Li, Wenying Ji

摘要： 当发生灾难时，维护和恢复社区生命线随后需要各个利益相关者的共同努力。为了减少与生成利益相关者协作网络（SCN）相关的工作，本文提出了一种系统的方法来为利益相关者协作和自动化网络生成可靠地提取信息。具体来说，利益相关者及其互动是通过命名实体识别（NER）（自然语言处理中的一种技术）从文本中提取的。一旦提取，协作信息将转换为结构化的数据集以自动生成SCN。对哈维飓风期间利益相关者合作的案例进行了研究，证明了该方法的可行性和适用性。因此，该方法被证明可以大大减少从业人员的解释和数据收集工作量。最后，提供了讨论和将来的工作。

在热力学极限中某些社会困境博弈的纳什均衡映射，哈密顿动力学与达尔文演化

原文标题： Nash equilibrium mapping vs Hamiltonian dynamics vs Darwinian evolution for some social dilemma games in the thermodynamic limit

地址： http://arxiv.org/abs/2103.00295

作者： Arjun Krishnan U M, Colin Benjamin

摘要： 合作如何演变并在社交困境博弈的热力学或无限玩家限制中表现出来，这是一个激烈的猜测问题。已经提出了各种分析方法来分析社会困境的热力学极限。在涉及我们其中一个的先前工作[Chaos Solitons and fractals 135，109762（2020）]中，比较了其中两种方法，即汉密尔顿动力学（HD）和纳什均衡（NE）映射。揭示了HD方法相对于NE映射的不一致性和不正确性。在这项工作中，我们将第三种分析方法（即达尔文演化论（DE）与NE映射和基于数值主体的方法）进行了比较。为了完整起见，我们还给出了高清方法的结果。与HD涉及所有个人的收益最大化相反，在DE中，单个玩家的收益相对于其最近邻居最大化。与NE映射相比，HD完全失败，而DE方法给博弈磁化强度带来了误报-合作者和叛逃者所占比例之间的净差-当收益符合条件a + d = b + c时，其中， d代表对角元素，b，c代表对称社会困境博弈中的非对角元素。当a + d = / = b + c时，或者当看每个玩家的平均收益时，DE方法与HD方法一样失败。另一方面，NE映射和基于数值主体的方法对于博弈磁化以及每个社交困境的每个玩家的平均收益，即Hawk-Dove博弈和Public Goods博弈，都非常吻合。因此，本文揭示了DE方法相对于NE映射以及基于数值主体的方法的矛盾。

通过图距离分析丢失数据场景中的犯罪网络

原文标题： Criminal Networks Analysis in Missing Data scenarios through Graph Distances

地址： http://arxiv.org/abs/2103.00457

作者： Annamaria Ficara, Lucia Cavallaro, Francesco Curreri, Giacomo Fiumara, Pasquale De Meo, Ovidiu Bagdasar, Wei Song, Antonio Liotta

摘要： 犯罪调查中收集的数据可能会遭受以下因素的影响：（i）由于犯罪组织的秘密性质，因此不完整； （ii）错误，是由于非故意的数据收集错误和犯罪分子的故意欺骗造成的； （iii）不一致，即同一信息多次或以不同格式被收集到执法数据库中时。在本文中，我们分析了9种不同性质的真实犯罪网络（即黑手党网络，犯罪街头帮派和恐怖组织），以便量化不完整数据的影响并确定受其影响最大的网络类型。首先，通过以下两种特定方法对网络进行修剪：（i）随机删除边，模拟执法机构（LEA）无法拦截某些呼叫或在犯罪嫌疑人之间零星开会的情况； （ii）节点删除，它刻画了无法拦截或调查某些可疑对象的假设。最后，我们计算完整网络和修剪后网络之间的谱距离（即邻接，拉普拉斯谱和规范化的拉普拉斯谱距离）和矩阵距离（即根欧几里得距离），并使用统计分析进行比较。我们的调查确定了两个主要特征：首先，即使犯罪互动的数据不完整（例如，删除了10％的边），对犯罪网络的总体理解仍然很高。第二，即使删除一小部分未经调查的可疑对象（即删除2％的节点）也可能导致对整个网络的重大误解。

基于实时更新的动态社会网络的COVID-19最佳疫苗接种策略

原文标题： Optimal vaccination strategies for COVID-19 based on dynamical social networks with real-time updating

地址： http://arxiv.org/abs/2103.00485

作者： Sibo Cheng, Arcucci Rossella, Christopher C. Pain, Yi-Ke Guo

摘要： 疫苗接种策略对于对抗COVID-19大流行至关重要。由于供应有限，因此通过确定高风险的个人或社区，基于联系网络的干预措施可以最有效地设置最佳策略。但是，由于尺寸大，实际上只有部分和嘈杂的网络信息可用，尤其是对于接触网络时变很大的动态系统而言。此外，SARS-CoV-2的众多突变都极大地影响了当前的传染可能性，因此需要实时网络更新算法。在这项研究中，我们提出了一种基于数据同化技术的顺序网络更新方法，以结合不同的时间信息源。然后，我们将从同化网络中获得的具有高度或高度集中性的个人进行优先接种。在SIR模型中，将基于同化的方法与标准方法（基于部分观测的网络）和随机选择策略进行比较。首先使用在高中收集的真实世界的面对面动态网络进行数值比较，然后是顺序的多层网络，该网络是根据模仿伦敦帝国理工学院计算系的Barabasi-Albert模型生成的。以英国为例。

具有环境噪声的加权多层网络中的社区检测

原文标题： Community Detection in Weighted Multilayer Networks with Ambient Noise

地址： http://arxiv.org/abs/2103.00486

作者： Mark He, Dylan Lu, Jason Xu, Rose Mary Xavier

摘要： 我们介绍了用于多层加权网络的一类新颖的随机块模型，该模型解释了控制块之间交互作用的全局环境噪声的存在。在加权多层噪声网络中，自然假设是通过假设除了一个块以外的所有块都处于信号“伞”之下而得出的，而将单个块归类为表现出与间隙相互作用相同的特征，并归入环境噪声中。我们使用分层变分推理来联合检测块结构，并从全局噪声中区分出社区的本地信号。我们提出了一种在高斯加权多层网络中寻找簇的新颖算法，并着眼于这些原理（称为随机块（带）环境噪声模型（SBANM）），并将此方法应用于多个不同的域。我们专注于费城神经发育队列，以发现形成与精神病学症状相关的诊断类别的精神病学的研究对象群体。

来自全局和局部有影响力节点的网络增长

原文标题： Network Growth From Global and Local Influential Nodes

地址： http://arxiv.org/abs/2103.00487

作者： Jiaojiao Jiang, Sanjay Jha

摘要： 在图论和网络分析中，节点度被定义为一种简单但功能强大的中心度，用于测量复杂网络中节点的局部影响。基于节点度的优先连接已被广泛用于网络增长的建模。但是，有许多证据表明实际网络的增长与基于纯学位模型的预测存在偏差。节点度似乎不是预测新用户加入网络的偏好的可靠方法，或者至少不能说明全部情况。在本文中，我们认为网络增长还有另一个层面，我们称其为节点“核心”。与度数度量提供的局部视图相比，新维度提供了对节点的全局影响的见解。我们发现现有节点吸引新节点的可能性通常遵循对节点核心性的指数依赖关系，而同时遵循幂律对节点度的依赖关系。也就是说，在吸引新来者方面，高核心节点比高级节点更强大。新的维度进一步揭示了在网络增长过程中发生的一些隐藏现象。随着核心程度的影响减小，节点度在吸引新移民方面的能力随着时间的推移而增加，最后，他们达到了增长的平衡状态。所有这些理论均已在现实世界的网络上进行了测试。

狂热分子在自适应投票模型中的作用

原文标题： Role of Zealots on the Adaptive Voter Model

地址： http://arxiv.org/abs/2103.00506

作者： Ka Wai Cheung, Chung Him Liu, Kwok Yip Szeto

摘要： 投票者模型作为一种意见动态模型已得到广泛研究，而狂热分子的作用只是最近才被讨论。我们介绍了带有狂热分子的自适应表决器模型，并表明根据狂热分子的数量以及形成链接的可能性，最终的磁场分布可以分为两个区域。当狂热分子的比例在总体中占主导地位时，磁性的概率分布遵循高斯型分布，并且弛豫时间与总体大小无关。当人口由易感因素主导时，弛豫时间与人口规模的指数成正比。我们已经找到了极限情况下弛豫时间的解析解，并基于近似方法解释了这两个区域中弛豫时间的差异。

同质性对数字邻近跟踪的影响

原文标题： The impact of homophily on digital proximity tracing

地址： http://arxiv.org/abs/2103.00635

作者： Giulio Burgio, Benjamin Steinegger, Giacomo Rapisardi, Alex Arenas

摘要： 我们研究人类物理相互作用的同质性如何影响数字邻近跟踪的功效。分析结果表明，相对于采用接触追踪应用程序的个人与不采用接触追踪应用程序的个人之间的混合率，复制数量具有非单调的依赖性。此外，我们发现攻击率具有局部最优，最小或单调随混合率变化的机制。我们通过小学网络上的蒙特卡洛模拟来证实我们的发现。这项研究提供了一个数学基础，可以更好地理解健康行为中的同质性如何塑造流行病的动态。

考虑人口行为和疫苗接种的美国COVID-19的建模和预测

原文标题： Modeling and prediction of COVID-19 in the United States considering population behavior and vaccination

地址： http://arxiv.org/abs/2103.00677

作者： Thomas Usherwood, Zachary LaJoie, Vikas Srivastava (corresponding author)

摘要： COVID-19摧毁了整个全球社区。疫苗为缓解大流行提供了机会。然而，疫苗接种的效果以及人群的行为反应尚不十分清楚。我们提出了一个模型，该模型包含了两个重要的动态变化的人口行为：警惕性和安全感。谨慎程度随感染病例数的增加而增加，而随着疫苗接种量的增加，安全感也会降低预防行为。据我们所知，这是第一个可以有效再现美国不同地区COVID-19感染的完整时间历史并提供有关人口行为和疾病传播率动态变化的相关度量的模型。我们提出参数d_I作为人们对传染病的警惕性的直接量度，可以从正在进行的新的传染病病例中获得。该模型提供了一种用于定量测量人群的关键传染病属性的方法，包括最高的疾病传播率，有效的疾病传播率以及与疾病相关的预防行为。我们预测了美国疫苗接种和行为反应的未来COVID-19大流行趋势。尽管高接种率对于迅速结束大流行至关重要，但我们发现，由于在疫苗部署过程中提高了安全感，导致大流行前的社会行为回归，可能会导致令人震惊的感染激增。我们的结果表明，以当前的疫苗接种率，到2021年8月，美国新的COVID-19感染病例将接近零。该模型可用于预测疫苗接种之前和期间的未来流行和大流行动态。

两层网络上的多路引起的触发点

原文标题： Tipping induced by multiplexing on two layer networks

地址： http://arxiv.org/abs/2103.00722

作者： Umesh Kumar Verma, G. Ambika

摘要： 我们报告了由于与另一个系统网络多路而引起的系统集合突然突变或倾翻的研究。由于与共享环境的间接耦合，它们之间的平均场耦合和共轭耦合，一层振荡器的新兴动力学可能会突然转变为稳态。在所有这些情况下，当与另一组相似的系统多路时，也以相似的行为模式在第二层上引起倾覆现象。我们将范德波尔振荡器视为具有各种网络拓扑结构的节点动力学，例如具有本地和非本地耦合的无标度和常规网络。我们还报告了在多路下，耦合拓扑如何影响两层过渡的性质。

隔离区域和复杂网络系统的粗粒化

原文标题： Isolated zones and granulation of complex network systems

地址： http://arxiv.org/abs/2103.00796

作者： Olexandr Polishchuk

摘要： 本文研究了阻塞网络系统某些区域及其边界情况的问题，这是网络到一组隔离区域的粒化。确定了由于阻塞其单独的组件而等待系统的损失，并提出了一种寻找绕过网络隔离区域的流动运动替代方法的方法。网络系统的制粒过程反映为时间网络，并计算出在部署此类过程期间等待系统的损耗。

基于特征向量的复杂网络集群同步分析

原文标题： Eigenvector-based analysis of cluster synchronization in general complex networks

地址： http://arxiv.org/abs/2103.01004

作者： Huwei Fan, Xingang Wang

摘要： 尽管已经利用对称性来分析复杂网络中的同步模式，但是在大型网络中识别对称性仍然是一个挑战。我们在本工作中提出一种新方法，即基于特征向量的分析方法，以识别一般复杂网络中的对称性，并结合特征值分析方法，研究同步模式的形成和过渡。该方法的有效性通过人工和经验网络模型（包括耦合的混沌振荡器）进行了验证。此外，我们将该方法推广到加权耦合网络，在该网络中不存在严格的对称性，但同步簇仍然组织良好，其预测与直接模拟的结果相符。我们的研究提供了一种识别网络对称性的新方法，并为研究大型复杂网络中的同步模式铺平了道路。

时滞微分方程用于流行病的空间分辨模拟，具体应用于COVID-19

原文标题： Delay differential equations for the spatially-resolved simulation of epidemics with specific application to COVID-19

地址： http://arxiv.org/abs/2103.01102

作者： Nicola Guglielmi, Elisa Iacomini, Alex Viguerie

摘要： 在2020年COVID-19流行病之后，人们在开发用于模拟流行病的数学模型以及疾病模型方面进行了大量工作。大多数工作遵循易感性感染去除（SIR）的区室框架，使用常微分方程组对流行进行建模。还介绍了使用偏微分方程（PDE）结合时空分辨率的替代公式，其数值结果显示了潜在的强大描述和预测能力。在当前的工作中，我们通过使用延迟微分方程（DDE）向此类模型引入新的变化形式。由于潜伏期和相关现象，包括COVID-19在内的许多传染病的动力学表现出延迟。因此，DDE模型除了可以提供计算时间和建模方面的优势外，还可以自然地表示问题动态，因为它们消除了添加其他难以估计的隔离专区（例如暴露的个人）的需要时间延迟。在这里，我们在常微分方程和偏微分方程框架中都引入了DDE流行病模型。我们提供了一系列评估配方稳定性的数学结果。然后，我们执行几个数值实验，验证数学结果并建立模型的能力，以再现有关实际问题的测量数据。

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。