- 具有未观察到边的网络的社区检测;
- 多维图卷积网络;
- 链接递归神经网络;
- 使用不相交的社区结构进行基于集成方法的重叠社区检测;
- 一种用于动态图的增量局部优先社区检测方法;
- 符号图卷积网络;
- 新的无参数人类移动模型;
- 空间网络中核心-边缘结构的检测;
- 存在多个策略更新规则时的动态敏感合作;
具有未观察到边的网络的社区检测
原文标题： Community detection in networks with unobserved edges
地址： http://arxiv.org/abs/1808.06079
作者： Till Hoffmann, Leto Peel, Renaud Lambiotte, Nick S. Jones
摘要： 我们开发了一个贝叶斯分层模型来识别我们不直接观察边的网络中的社区，而是为每个节点观察一系列相互依赖的信号。拟合模型提供端到端社区检测算法，该算法不会将信息提取为点估计序列，而是将不确定性从原始数据传播到社区标签。我们的方法自然支持多尺度社区检测以及使用模型比较选择最佳尺度。我们使用合成数据研究算法的属性，并将其应用于S＆P100指数成分的日常回报以及来自美国城市的气候数据。
多维图卷积网络
原文标题： Multi-dimensional Graph Convolutional Networks
地址： http://arxiv.org/abs/1808.06099
作者： Yao Ma, Suhang Wang, Charu C. Aggarwal, Dawei Yin, Jiliang Tang
摘要： 卷积神经网络（CNN）利用表示学习在图像和视频等常规网格数据上的强大功能。最近，人们越来越关注将CNN概括为高度不规则的图或网络数据。一些专注于图表级表示学习，而另一些专注于学习节点级表示。已经证明这些方法可以提高许多图级任务的性能，例如图分类和节点级任务，例如节点分类。这些方法中的大多数都是针对单维图设计的，其中一对节点只能通过一种关系连接。然而，许多真实世界的图具有多种类型的关系，并且它们可以自然地建模为多维图，每种类型的关系作为维度。多维图带来了维度之间更丰富的相互作用，这对设计用于单维图的图卷积神经网络提出了巨大的挑战。在本文中，我们研究了多维图的卷积网络问题，并提出了一种多维卷积神经网络模型mGCN，旨在捕获多维图学习节点级表示中的丰富信息。对真实世界多维图的综合实验证明了所提出框架的有效性。
链接递归神经网络
原文标题： Linked Recurrent Neural Networks
地址： http://arxiv.org/abs/1808.06170
作者： Zhiwei Wang, Yao Ma, Dawei Yin, Jiliang Tang
摘要： 已经证明，递归神经网络（RNN）在对序列数据建模方面是有效的，并且它们已被应用于促进各种任务，例如文档分类，语音识别和机器翻译。大多数现有的RNN模型被设计用于假设相同且独立分布的序列（i.i.d）。然而，在许多现实世界的应用中，序列是自然相关的。例如，Web文档通过超链接连接;和基因相互作用。一方面，链接序列本质上不是i.i.d.，这对现有的RNN模型提出了巨大的挑战。另一方面，链接序列除了提供顺序信息之外还提供链接信息，这为构建高级RNN模型提供了前所未有的机会。在本文中，我们研究了链接序列的RNN问题。特别是，我们引入了一种捕获链接信息的原理方法，并提出了一种链接的循环神经网络（LinkedRNN），它可以连贯地模拟顺序和链接信息。我们对来自多个领域的真实数据集进行实验，实验结果验证了所提框架的有效性。
使用不相交的社区结构进行基于集成方法的重叠社区检测
原文标题： Ensemble-based Overlapping Community Detection using Disjoint Community Structures
地址： http://arxiv.org/abs/1808.06200
作者： Tanmoy Chakraborty, Saptarshi Ghosh, Noseong Park
摘要： 虽然从现实世界的复杂网络中检测出不相交的社区的方法很多，但最近也提出了一些检测重叠社区结构的方法。在这项工作中，我们认为，不是开发用于检测重叠社区的单独方法，而是一种有前景的替代方案是从多个不相交的社区结构中推断出重叠的社区。我们提出了一种基于集合的方法，称为EnCoD，它利用各种不相交的社区检测算法产生的解决方案来发现重叠的社区结构。具体而言，EnCoD根据基本算法的结果为每个顶点生成特征向量，并学习哪些特征导致以无人监督的方式检测密集连接的重叠区域。它一直在迭代，直到每个顶点属于它自己的社区的可能性最大化。合成和几个真实世界网络（具有已知的地面真实社区结构）的实验表明，EnCoD明显优于九个最先进的重叠社区检测算法。最后，我们展示了EnCoD足够通用，可以应用于顶点与显式语义特征相关联的网络。据我们所知，EnCoD是MEDOC之后的第二个基于集合的重叠社区检测方法[1]。
一种用于动态图的增量局部优先社区检测方法
原文标题： An incremental local-first community detection method for dynamic graphs
地址： http://arxiv.org/abs/1808.06251
作者： Hiroki Kanezashi, Toyotaro Suzumura
摘要： 大规模现实世界网络的社区检测在社交分析中更受欢迎。特别是，动态增长的网络分析对于找到长期趋势和检测异常非常重要。为了分析这样的网络，我们需要获取许多快照并对它们应用相同的分析方法。然而，从这些新生成的网络中提取社区的效率很低，每次都没有什么差别，因此不可能实时跟踪网络增长。我们提出了一种用于高容量图流的增量社区检测算法。它基于着名的面向批处理算法DEMON [1]的顶部。我们还评估了我们提出的增量算法的性能和精度，使用真实的大型网络，最多410,236个顶点和2,439,437个边，并在不到一秒的时间内计算出以增量方式检测社区 - 其速度比原始速度高107倍算法没有牺牲精度。
符号图卷积网络
原文标题： Signed Graph Convolutional Network
地址： http://arxiv.org/abs/1808.06354
作者： Tyler Derr (1), Yao Ma (1), Jiliang Tang (1) ((1) Michigan State University)
摘要： 由于今天的大部分数据可以表示为图，因此需要推广用于图数据的神经网络模型。最近的一个方向已经显示出富有成效的结果，因此人们越来越感兴趣的是使用图卷积神经网络（GCN）。它们已被证明可以对网络分析中的各种任务进行重大改进，其中之一是节点表示学习。学习低维节点表示的任务已经表明，从链路预测和节点分类到社区检测和可视化，可以提高许多其他任务的性能。同时，随着社交媒体的日益普及，已签名的网络（或具有正链接和负链接的图）已经变得无处不在。但是，由于以前的GCN模型主要关注的是无符号网络（或仅包含正链路的图），由于负链路带来的挑战，尚不清楚它们如何应用于符号网络。主要挑战是基于负面联系，与正向链接相比，它们不仅具有不同的语义含义，而且它们的原则本质上是不同的，它们与积极的联系形成复杂的关系。因此，我们提出了一项专门的原则性工作，利用平衡理论在签名的GCN模型的各层之间正确地聚合和传播信息。我们进行了经验实验，将我们提出的签名GCN与用于学习符号网络中节点表示的最新基线进行比较。更具体地说，我们的实验是针对经典链路符号预测问题的四个真实世界数据集执行的，该问题通常用作符号网络嵌入算法的基准。
新的无参数人类移动模型
原文标题： New parameter-free mobility model
地址： http://arxiv.org/abs/1808.06363
作者： Erjian Liu, Xiao-Yong Yan
摘要： 预测人类流动模式在城市规划，交通工程，传染病流行病学，应急管理和基于位置的服务中具有许多实际应用。开发能够准确预测位置之间的流动通量的通用模型是区域经济学和交通科学中的一个基本且具有挑战性的问题。在这里，我们提出了一种新的无参数模型作为人类移动性预测的替代方案。该模型的基本假设是个人将选择目的地位置，其具有比起源的位置机会和起点和终点之间的干预机会更高的机会利益。我们使用从许多城市和国家收集的真实移动数据来证明这个简单模型的预测能力。结果表明，新模型提供了与实际观察一致的内部和城际移动模式的普遍预测，从而表明所提出的模型比以前的模型更好地捕获了人类移动性的机制。
空间网络中核心-边缘结构的检测
原文标题： Detecting Core-Periphery Structure in Spatial Networks
地址： http://arxiv.org/abs/1808.06544
作者： Junteng Jia, Austin R. Benson
摘要： 核心 - 边结构将网络分解为密集连接的核心和稀疏连接的外围，不断出现在交通，生物和社会网络等空间网络中。在本文中，我们提出了一个具有核心 - 边结构的空间网络的随机网络模型，其灵感来自Kleinberg小世界模型。在这个模型中，我们使用顶点核心分数来指示每个顶点的“核心”，并且我们将每对顶点连接到一个由它们的距离和核心分数参数化的概率。我们通过使用最大似然估计将其拟合到我们的模型来计算网络中的最佳顶点核心分数。现实世界网络中的结果表明拟合顶点核心分数是用于顶点元数据预测和网络分类的信息机器学习特征。此外，我们通过使用快速多极方法开发用于网络生成和模型推理的近线性时间算法，这允许我们扩展到具有数百万个顶点的网络，并且精确度具有微小的权衡。
存在多个策略更新规则时的动态敏感合作
原文标题： Dynamic-sensitive cooperation in the presence of multiple strategy updating rules
地址： http://arxiv.org/abs/1808.06565
作者： Attila Szolnoki, Zsuzsa Danku
摘要： 微观细节对合作水平的重要性是演化博弈论的深入研究方面。有趣的是，这些细节对于个体可能具有不同特征的异质种群变得至关重要。通过引入一个协同演化模型，其中不仅策略而且个别动力学特征可能发展，我们揭示了当不同的更新规则在舞台上时，以前建立的结论不一定正确。特别是，我们应用两个策略更新规则，模仿和死亡 - 出生规则，允许在空间系统中进行局部选择。我们的观察强调，动态的微观特征，如学习活动的水平，可能是一个基本因素，即使所有玩家统一共享相同的特征。
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。
