- 风电引发的波动在电网中的传播;
- 智能复杂网络;
- 中介驱动依附网络的动态扩展、数据崩溃和自相似性;
- 如何在Instagram成名：双重注意力的后期人气预测;
- 有害社交媒体账户早期识别;
- 日本2017年大选期间政党推特账户的信息传播力;
- 评估网络中的随机种子策略;
- 用于演进网络的大小不可知变点检测框架;
风电引发的波动在电网中的传播
原文标题： Propagation of wind power induced fluctuations in power grids
地址： http://arxiv.org/abs/1809.09098
作者： Hauke Haehne, Katrin Schmietendorf, Samyak Tamrakar, Joachim Peinke, Stefan Kettemann
摘要： 可再生发电机以严重的非高斯和相关波动扰乱电网。最近的实验结果显示在配电网中测量的短期频率波动取决于风力注入。在这封信中，我们分析了这种波动的局部性。我们在两个不同点的并行频率测量中显示了对风能注入的短期响应的差异，并从线性响应理论推导出它们在电网中传播的解析表达式。我们发现虽然这种波动的幅度保持局部，但增量分布的非高斯形状在网格中持续得更宽 - 因此强调了正确的非高斯建模的重要性。电网惯性的数量似乎对电网中这种波动的传播起着至关重要的作用。
智能复杂网络
原文标题： Intelligent Complex Networks
地址： http://arxiv.org/abs/1809.09201
作者： Henrique F. de Arruda, Cesar H. Comin, Luciano da F. Costa
摘要： 目前的工作涉及使用复杂网络作为人工智能机制的问题。更具体地说，我们考虑这样的情况，即由不同类型的复杂网络表示的谜题将由不同结构的复杂网络处理引擎组装。拼图首先分布在根据不同标准选择的一组节点上，包括程度和特征向量中心性。然后将这些片段重复复制到相邻节点。还研究了提供不同尺寸的缓冲。确定了几个有趣的结果，包括基于BA的组装引擎倾向于提供最快的解决方案。还发现，根据特征向量中心性的片段分布几乎总是导致最佳性能。另一个结果是使用与各个节点的程度成比例的缓冲器大小倾向于改善性能。
中介驱动依附网络的动态扩展、数据崩溃和自相似性
原文标题： Dynamic Scaling, Data-collapse and Self-Similarity in Mediation-Driven Attachment Networks
地址： http://arxiv.org/abs/1809.09291
作者： Debasish Sarker, Liana Islam, Md. Kamrul Hassan
摘要： 最近，我们已经证明，如果Barabasi-Albert（BA）网络的 i 节点的特征是广义度 q_i（t）= k_i（t）t_i ^ beta / m ，其中 k_i（t） sim t ^ beta 和 m 是当前时间 t 和出生时间 t_i 的度数，那么相应的分配函数 F（q，t）展品动态尺度。将相同的想法应用于我们最近提出的中介驱动附件（MDA）网络，我们发现它也表现出动态尺度，但与BA模型不同，MDA模型的指数 beta 假设价值为 1/2 leq beta leq 1 。此外，我们发现小 m 的尺度曲线与较大的 m 的尺度曲线明显不同，BA网络也是如此，尽管程度较小。我们使用每个节点的邻居的反调和平均值（IHM）的分布的概念，并且表明随着IHM分布的偏度减小，遵循幂律度分布的数据点的数量增加。最后，我们表明MDA和BA模型对于大的 m 几乎相同。
如何在Instagram成名：双重注意力的后期人气预测
原文标题： How to Become Instagram Famous: Post Popularity Prediction with Dual-Attention
地址： http://arxiv.org/abs/1809.09314
作者： Zhongping Zhang, Tianlang Chen, Zheng Zhou, Jiaxin Li, Jiebo Luo
摘要： 随着越来越多的社交应用程序，人们越来越愿意在社交媒体平台上分享他们的日常照片和活动，例如Facebook，Instagram和微信。在社交媒体数据挖掘中，人气预测已经受到数据科学家和心理学家的广泛关注。现有研究更侧重于探索用户群体上的流行度，包括时态信息，用户连接，评论数量等综合因素。但是，这些框架不适合引导特定用户制作热门帖子，因为该用户的属性是固定的。因此，以前的框架只能回答“帖子是否受欢迎”的问题，而不是“如何通过热门帖子成名”。在本文中，我们的目标是预测特定用户的帖子的受欢迎程度，并挖掘流行度背后的模式。为此，我们首先从Instagram收集数据。然后，我们设计一种方法来确定用户环境，表示特定用户很可能发布的内容。基于相关数据，我们设计了一种新颖的双重注意模型，以整合图像，标题和用户环境。双重注意模型基本上由两部分组成，即对图像 - 字幕对的明确关注和对用户环境的隐含关注。设计层次结构以连接显式注意部分和隐式注意部分。我们进行了一系列实验来验证模型的有效性，并研究可能影响流行度的因素。分类结果表明，我们的模型优于基线，统计分析确定哪种图片或标题可以帮助用户获得相对较高的“喜欢”数字。
有害社交媒体账户早期识别
原文标题： Early Identification of Pathogenic Social Media Accounts
地址： http://arxiv.org/abs/1809.09331
作者： Hamidreza Alvari, Elham Shaabani, Paulo Shakarian
摘要： 诸如恐怖主义支持者等致病社交媒体（PSM）账户利用大量支持者社区对社交媒体进行攻击。及早发现这些帐户至关重要，因为他们很可能成为使有害信息“病毒化”的关键用户。在本文中，我们首次尝试利用因果推理在短时间内围绕其活动识别PSM。我们提出了一个时间衰减因果关系度量标准，并将其纳入基于因果社区检测的算法中。所提出的算法应用于共享相似因果关系特征的帐户组，并且随后是分类算法以将帐户分类为PSM或不分类。与花费大量时间来收集网络，级联路径或内容等信息的现有技术不同，我们的方案仅依赖于用户的操作日志。来自Twitter的真实数据集的结果证明了我们方法的有效性和效率。我们仅在其前10天的活动中检测到PSM时达到了0.84的精度;然后在10天后检测到错误分类的帐户。
日本2017年大选期间政党推特账户的信息传播力
原文标题： Information Diffusion Power of Political Party Twitter Accounts During Japan's 2017 Election
地址： http://arxiv.org/abs/1809.09514
作者： Mitsuo Yoshida, Fujio Toriumi
摘要： 在现代竞选活动中，政党利用社交媒体宣传其政策和候选人，并与选民进行沟通。在日本2017年的最新大选中，下议院第48届大选，社交媒体，特别是Twitter，被积极使用。在本文中，我们对社交图表和用户在选举期间转发政党推文进行了详细分析。我们的目标是获得有关各方扩散能力的准确信息，而不仅仅是关注者的数量。结果表明跟随政党账户的用户跟随该用户也倾向于该用户。这意味着它不会增加多样性，因为相互关注的用户倾向于分享相似的值。我们还发现特定方的关注者经常转推这些推文。然而，由于跟随政党账户的用户跟随的用户并不多样化，因此政党仅将信息传递给少数政治分遣队用户。
评估网络中的随机种子策略
原文标题： Evaluating stochastic seeding strategies in networks
地址： http://arxiv.org/abs/1809.09561
作者： Alex Chin, Dean Eckles, Johan Ugander
摘要： 当试图最大限度地采用社会网络连接的人群中的行为时，通常会对网络中的行为进行策划。一些播种策略需要明确的网络知识，这可能很难收集，而其他策略不需要这些知识，而是依赖于非平凡的随机成分。例如，一种这样的随机种子策略是选择随机个体的随机网络邻居，从而利用友谊悖论的一种形式，其中随机个体的朋友预期比随机个体拥有更多朋友。对这些策略的实证评估要求专门为此目的设计的大型田间试验，但这些实验对这些播种策略的相对功效进行了相对不精确的估计。在这里，我们展示了如何使用在为其他目的设计的网络中的随机实验产生的现有数据来评估随机播种策略，以及如何为该特定评估设计更有效的实验。特别是，我们考虑两种常见的随机种子策略之间的对比，并分析从政策评估或重要性抽样改编的非参数估计。在真实网络上使用模拟，我们表明所提出的估计器和设计可以显著提高精度，同时产生有效的推理。我们将我们提出的估算器应用于现场实验，该实验随机分配家庭进行密集的营销干预和实地实验，随机分配学生进行反欺凌干预。
用于演进网络的大小不可知变点检测框架
原文标题： Size Agnostic Change Point Detection Framework for Evolving Networks
地址： http://arxiv.org/abs/1809.09613
作者： Hadar Miller, Osnat Mokryn
摘要： 观察到的社交和复杂网络结构的变化可以表明组织中的重大潜在变化，或反映网络对外部事件的响应。在不断发展的网络中自动检测变化点对于研究和了解这些事件对网络的影响是至关重要的。在这里，我们提出了一个易于实现和快速的框架，用于在时间演进网络中进行变更点检测。与以前的方法不同，我们的方法与规模无关，既不需要有关网络规模和结构的先验知识，也不需要随时间获取历史信息或节点标识。我们使用从动态模型和两个真实数据集派生的合成数据：安然电子邮件交换和Ask-Ubuntu论坛。我们的框架既精确又回忆成功，并且优于以前的解决方案
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。
