Arxiv网络科学论文摘要11篇(2017-12-07)

  • 通过交通流中干扰传播的相对速度推广二阶宏观模型;
  • 优化人类学习;
  • 从数字行为预测人口统计学,道德基础和人类价值观;
  • 经济体系增长动态的普遍波动;
  • 行人疏散时间的波动:超越瓶颈的出口容量模式;
  • 聆听混沌的低语:一种面向新闻的股票趋势预测的深度学习框架;
  • 在社交媒体中使用序列分类器进行已知话语的谣言立场分类;
  • 人类对表现的感知;
  • 长期记忆在人气中的出现;
  • 网络社会网络中的病毒内容传播;
  • 中性人群合作的演化动态;

通过交通流中干扰传播的相对速度推广二阶宏观模型

原文标题: Generalizing second order macroscopic models via relative velocity of disturbances propagation in traffic flow

地址: http://arxiv.org/abs/1610.08084

作者: Yaroslav A. Kholodov, Andrey E. Alekseenko, Aleksandr S. Kholodov, Aleksey N. Karachev, Alexander A. Kurzhanskiy

摘要: 在本文中,我们提出了一种新的方法来推广现有的二阶水动力交通模型。在所提出的方法中,我们使用干扰在交通流中传播的相对速度的表达式。我们表明任何唯象模型的性质都完全由模型中表达的干扰传播的相对速度如何定义。我们通过模拟美国加利福尼亚州的580号州际公路段来验证所提出的方法,并使用来自性能测量系统(PeMS)的流量测量。

优化人类学习

原文标题: Optimizing Human Learning

地址: http://arxiv.org/abs/1712.01856

作者: Behzad Tabibian, Utkarsh Upadhyay, Abir De, Ali Zarezade, Bernhard Schoelkopf, Manuel Gomez-Rodriguez

摘要: 间隔重复是一种高效记忆技术,通过对内容进行重复的间隔审查来提高长期保留率。我们可以找到最佳的审查时间表,以最大限度地发挥间隔重复的好处吗?在本文中,我们引入了一个新的,灵活的表示间隔重复使用标记时间点过程的框架,然后解决上述问题作为跳跃的随机微分方程的最优控制问题。对于两个着名的人类记忆模型,我们表明,最佳的审查时间表是由所要学习内容的召回概率给出的。因此,我们可以开发一个简单的,可扩展的在线算法Memorize来对最佳的审查时间进行抽样。从流行的语言学习在线平台Duolingo收集到的综合和真实数据的实验表明,我们的算法可以帮助学习者比替代方案更有效地记忆。

从数字行为预测人口统计学,道德基础和人类价值观

原文标题: Predicting Demographics, Moral Foundations, and Human Values from Digital Behaviors

地址: http://arxiv.org/abs/1712.01930

作者: Kyriaki Kalimeri, Mariano G. Beiro, Matteo Delfino, Robert Raleigh, Ciro Cattuto

摘要: 个人电子设备,如智能手机,可以访问广泛的行为信号,可用于了解个人的特点和偏好。在这项研究中,我们探讨了人口和心理属性与数字记录之间的联系,共有7633人,这些人在美国人口中的性别,年龄,地理分布,教育和收入方面具有密切的代表性。我们收集了基于道德基础和基本人类价值理论的经过验证的心理测量问卷的自我评估结果,并将这些信息与被动收集的来自网络浏览行为,智能手机使用和人口统计数据的多模式数字数据结合起来。然后,我们设计了一个机器学习框架,从行为数据中推断人口和心理属性。在交叉验证的设置,我们的模型被发现预测人口统计属性具有良好的准确性(加权AUC分数为0.90的性别,0.71年龄,0.74为种族)。我们对道德基金会属性(0.66)和人类价值属性(0.60)的加权AUC评分表明,精确预测复杂心理测量属性更具挑战性,但是可行的。这种联系可能对设计个性化服务,交流策略和干预有用,可以用来勾画具有类似世界观的人物肖像。

经济体系增长动态的普遍波动

原文标题: Universal fluctuations in growth dynamics of economic systems

地址: http://arxiv.org/abs/1712.02003

作者: Nathan C. Frey, Sakib Matin, H. Eugene Stanley, Michael Salinger

摘要: 经济数据方面的工作表明经济数据中存在强大的结构,这在过去的经济文献中基本上被忽略了。自然界中许多复杂的相互作用系统,如地震,都是由权力法则来描述的。在统计物理学中,临界点附近系统的波动遵循幂律分布。与波动幂律有关的指数可以用来将系统分类为具体的普遍性类别。在经济学中,企业的增长率取决于不同行业的不同因素。在这里,我们表明,公司的增长波动遵循幂指数非常类似的指数,不论经济部门。我们的研究结果适用于所有可用数据的许多行业。此外,我们还可以看出,新兴产业增长率的波动在较短时间内自组织成幂律分布。我们的研究结果提供了经济系统统计力学普遍性的第一个有力证据,可以作为微观经济增长理论的实证检验。

行人疏散时间的波动:超越瓶颈的出口容量模式

原文标题: Fluctuations in pedestrian evacuation times: Going one step beyond the exit capacity paradigm for bottlenecks

地址: http://arxiv.org/abs/1712.02067

作者: Alexandre Nicolas (LPTMS)

摘要: 出于安全原因,建筑物和公共设施的设计符合建筑规范编制的指导方针是很重要的。后者通常以出口容量,即通过瓶颈的平均行人流量的概念为前提(拥挤)。在这里,我们认为在制定这些指导方针时应适当考虑疏散时间的波动。当缩小变得突然,人群可能表现出竞争力的时候尤其如此。我们建议一种简单的方法来评估这些波动(部分)的程度,通过考虑的瓶颈在连续的逃生之间的时间间隔的统计的基础上,这实际上可以通过分析未来真正的疏散记录,或者可能是现实演习(在道德上可行的范围内)。我们简要地提出了一个使用元胞自动机模型提出的策略的测试,并在某些条件下确认了它的有效性,但同时也暴露了它的一些局限性。尤其是,它可能会严重低估行人行为中强相关性的波动(虽然表现仍优于平均能力)。

聆听混沌的低语:一种面向新闻的股票趋势预测的深度学习框架

原文标题: Listening to Chaotic Whispers: A Deep Learning Framework for News-oriented Stock Trend Prediction

地址: http://arxiv.org/abs/1712.02136

作者: Ziniu Hu, Weiqing Liu, Jiang Bian, Xuanzhe Liu, Tie-Yan Liu

摘要: 股票趋势预测在寻求股票投资利润最大化方面起着至关重要的作用。但是,由于股市的高度波动和非平稳性,所以精确的趋势预测是非常困难的。互联网上的信息爆炸,以及推进自然语言处理和文本挖掘技术的发展,使投资者能够揭示网络内容的市场趋势和波动性。不幸的是,与股票市场相关的在线内容的质量,可靠性和全面性差别很大,很大一部分是由于低质量的新闻,评论,甚至流言。为了应对这一挑战,我们模仿人类面对这样混乱的在线新闻的学习过程,这个过程由三个原则驱动:顺序内容依赖,多元影响,有效和高效的学习。在本文中,为了捕捉前两个原则,我们设计了一个混合注意力网络来根据最近相关新闻的顺序来预测股票走势。而且,我们运用自学的学习机制模仿第三个原则。对现实世界股票市场数据的大量实验证明了我们方法的有效性。

在社交媒体中使用序列分类器进行已知话语的谣言立场分类

原文标题: Discourse-Aware Rumour Stance Classification in Social Media Using Sequential Classifiers

地址: http://arxiv.org/abs/1712.02223

作者: Arkaitz Zubiaga, Elena Kochkina, Maria Liakata, Rob Procter, Michal Lukasik, Kalina Bontcheva, Trevor Cohn, Isabelle Augenstein

摘要: 谣言的立场分类,被定义为将特定社交媒体帖子的立场分类为支持,拒绝,查询或评论之前的帖子,对研究人员越来越感兴趣。虽然大多数以前的工作都集中在使用单独的推文作为分类器输入,但在这里我们报告了利用社交媒体交互或“对话线索”中固有的话语特征的顺序分类器的性能。测试四个连续分类器的有效性 - Hawkes过程,线性链条件随机场(线性CRF),树状结构条件随机场(树CRF)和长短期记忆网络(LSTM)新闻故事,以及不同类型的本地和背景特征,我们的工作为准确的姿态分类器的发展提供了新的线索。我们表明,序贯分类器,利用话语性质在社交媒体对话中,而只使用本地特征,胜过非顺序分类。此外,我们表明,LSTM使用减少的功能集可以胜过其他顺序分类器;这种表现在数据集和各种立场上是一致的。总之,我们的工作还分析了研究中的不同特征,找出那些最能帮助描述和区分两种立场的方法,比如支持推文比证实推文更有可能伴随证据。我们也为未来的研究提出了一些方向。

人类对表现的感知

原文标题: Human Perception of Performance

地址: http://arxiv.org/abs/1712.02224

作者: Luca Pappalardo, Paolo Cintia, Dino Pedreschi, Fosca Giannotti, Albert-Laszlo Barabasi

摘要: 人们经常被要求评估其他人的表现,从失败中分离成功,并影响科学,教育和体育的成果。然而,在许多情况下,推动人类评估过程的指标仍不清楚。在这里,我们分析了一个庞大的数据集,通过人类评判来捕捉玩家的评价,以探索人类对足球世界上最流行的运动的表现。我们使用机器学习来设计一个精确复制人类评价的人为判断,使我们能够展示人类观察者如何偏向于不同的背景特征。通过对人为判断的结构进行研究,揭示了吸引人类评判者注意的行为方面,表明人类评价是基于一种只有远离常态的特征值被认为是评价个体性能。

长期记忆在人气中的出现

原文标题: Emergence of Long-Term Memory in Popularity

地址: http://arxiv.org/abs/1712.02234

作者: Hyungjoon Soh, Joo Hyung Hong, Jaeseung Jeong, Hawoong Jeong

摘要: 受欢迎度描述了大众关注的动力,是生态学和社会科学文献中更广泛的人口动态类别的一部分。研究流行的准确模型对量化新奇,模因和影响人类社会的传播是重要的。尽管逻辑斯蒂方程和类似的非线性微分方程很好地描述了传统的种群动力学,但长期预测的部分偏差却被阐述了,但是却被充分理解了。最近,一些研究暗示了一种长期记忆效应,其响应函数遵循幂律,特别是出现在YouTube,Twitter或亚马逊图书销售等在线大众媒体上。在这里,我们调查了最流行的音乐排行榜,这是几十年来最大的流行数据集之一的Billboard Hot 100排行榜。使用包括逻辑增长和幂法衰减长期记忆的流行模型,我们发现排名历史的主要特点是最初的流行度和记忆力。有了这个框架,我们研究了整个流行动态的长期记忆的时间发展。结果表明,长时记忆的突然出现和广泛的初始人气,这是没有明确的时间无关措施检测。我们不仅强调大众传媒的发展,而且在大众化具有长期记忆力的同时,传播和积累大众化的差异对动态的影响也是显著的。

网络社会网络中的病毒内容传播

原文标题: Viral content propagation in Online Social Networks

地址: http://arxiv.org/abs/1712.02245

作者: Giannis Haralabopoulos, Ioannis Anagnostopoulos, Sherali Zeadally

摘要: 信息流是在线社会网络(OSN)不断交流的结果。 OSN用户在一天中实时创建并共享不同类型的信息。引入病毒是一个术语,用来描述在很短的时间范围内广泛受众的信息。作为一个例子,我们测量Reddit中提交的信息的传播,识别不同的模式,并在Twitter,Facebook和2个图像和多媒体托管域,ImgUr和YouTube上提供多个OSN扩散分析。我们的研究结果表明,积极的内容是最共享的,并呈现最高的病毒性传播概率,并且用户创建的信息的整体病毒传播概率较低。最后,我们强调了OSN数据访问受限的问题。关键字:在线社会网络,病毒,扩散,病毒内容,Reddit,Twitter,Facebook,ImgUr,YouTube

中性人群合作的演化动态

原文标题: Evolutionary dynamics of cooperation in neutral populations

地址: http://arxiv.org/abs/1712.02321

作者: Attila Szolnoki, Matjaz Perc

摘要: 面对达尔文选择,合作是一个艰难的主张。那些瑕疵相对合作者来说具有演化优势,因此合作者应该因此而死亡。然而,空间结构使合作者能够通过形成均匀集群而生存下来,这是网络互惠的标志。在这里,我们超越了这个传统的设置,研究了人口中人口合作的时空动态。我们以囚徒困境博弈为数学模型,表明考虑多个种群同时引起迷人的时空动态和格局形成。即使是最简单的假设,即不同人群之间的策略是相互支付中立的,也会导致周期性优势的自发产生,其中一个人口的叛逃者成为另一个人口的合作者的牺牲品,反之亦然。而且,如果不同人群中的社会交往具有明显不同的诱惑力,那么我们观察到,诱惑最大的人群中的叛逃者反而会消失得最快,而那些悬而未决的合作者最终将占据整个可用空间。我们的研究结果表明,考虑到不同人群的同时存在,显著扩大了结构化人群演化动力学的复杂性,使我们能够理解在不利条件下合作的稳定性,这种合作在单纯的网络互惠中永远无法弥合。

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。

推荐阅读更多精彩内容