Arxiv网络科学论文摘要9篇(2022-03-24)

评估网络表示以识别跨学科性;

具有高阶交互的多路网络中的层内和层间同步;

使用图中心性分析进行模糊测试的有效种子调度;

超图上意见动态的有界置信模型的密度描述;

使用异构图神经网络进行以太坊欺诈检测;

使用深度神经网络的协作自组织图用于移动人群感知中的虚假任务预防;

ShareTrace：在含时图上使用异步、并行消息传递的联系人跟踪;

学习网络领域作者的多学科性和学科角色;

通过约束随机优化对社会网络上的错误信息进行社会公平的缓解;

评估网络表示以识别跨学科性

原文标题： Assessing Network Representations for Identifying Interdisciplinarity

地址： http://arxiv.org/abs/2203.12455

作者： Eoghan Cunningham, Derek Greene

摘要： 许多研究试图将跨学科研究确定为一篇文章的参考文献或引文中确定的学科多样性的函数。然而，鉴于科学领域的不断发展，学科界限正在发生变化和模糊，使得在严格的分类中描述研究变得越来越困难。在这项工作中，我们探索了图学习方法在研究论文中学习嵌入表示的潜力，这些研究论文在引文网络中对其“跨学科性”进行编码。这有助于在不使用学科类别的情况下识别跨学科研究。我们根据它们在跨学科引文预测中的效用来评估这些表征及其识别跨学科研究的能力。我们发现，根据引文距离的多种定义，那些在引文图中保持结构等价的表示最能预测网络中遥远的、跨学科的相互作用。

具有高阶交互的多路网络中的层内和层间同步

原文标题： Intralayer and interlayer synchronization in multiplex network with higher-order interactions

地址： http://arxiv.org/abs/2203.12461

作者： Md Sayeed Anwar, Dibakar Ghosh

摘要： 复杂系统的最新发展见证了许多现实世界的场景，成功地表示为网络并不总是局限于二元交互，而是通常包括节点之间的高阶交互。这些超越成对的交互最好由超图建模，其中超边表示一组节点之间的高阶交互。在这项工作中，我们考虑了一个多路网络，其中层内连接由超图表示，称为多路超图。超图是通过将无标度网络的最大团映射到合适大小的超边来构建的。我们研究了这种多路结构的层内和层间同步。我们的研究表明，当考虑到高阶结构时，尽管只有成对连接，但层内同步显著增强。我们通过主稳定性函数方法得出了稳定同步状态的必要条件，这与数值结果完全一致。我们还探索了层间同步的鲁棒性，发现对于具有多体交互的多路结构，层间同步比具有成对交互的多路网络更持久。

使用图中心性分析进行模糊测试的有效种子调度

原文标题： Effective Seed Scheduling for Fuzzing with Graph Centrality Analysis

地址： http://arxiv.org/abs/2203.12064

作者： Dongdong She, Abhishek Shah, Suman Jana

摘要： 种子调度，即选择种子的顺序，会极大地影响模糊器的性能。现有方法根据种子的历史突变数据调度种子，但忽略了底层控制流图 (CFG) 的结构。检查 CFG 可以通过揭示变异种子的潜在边覆盖增益来帮助种子调度。一个理想的策略将基于从种子到突变的所有可达和可行边的计数来调度种子，但是沿着所有边计算可行性非常昂贵。因此，种子调度策略必须接近这个计数。我们观察到一个近似计数应该有 3 个属性—— (ii) 如果突变历史信息表明边难以到达或远离当前访问的边，则它应该减少； (iii) 计算大型 CFG 应该是有效的。我们观察到来自图分析的中心性度量自然地提供了这三个属性，因此可以有效地近似通过变异种子到达未访问边的可能性。因此，我们构建了一个称为边水平图的图，它将种子连接到它们最近的未访问节点并计算种子节点的中心性，以测量变异种子的潜在边覆盖增益。我们在 K-scheduler 中实现我们的方法，并与许多流行的种子调度策略进行比较。我们发现，在 12 个 Google FuzzBench 程序的算术平均值上，与 Entropic 相比，K-scheduler 将特征覆盖率提高了 25.89%，与基于 AFL 的种子调度器相比，边覆盖率提高了 4.21%。它还发现了比第二好的基于 AFL 的种子调度程序多 3 个以前未知的错误。

超图上意见动态的有界置信模型的密度描述

原文标题： A density description of a bounded-confidence model of opinion dynamics on hypergraphs

地址： http://arxiv.org/abs/2203.12189

作者： Weiqi Chu, Mason A. Porter

摘要： 图表上的意见动态模型允许人们研究主体人的意见如何由于他们之间的二元交互而变化。将此类模型扩展到超图以检查当三个或更多主体之间同时发生社交互动时意见如何变化是有用的。在本文中，我们考虑了一个有限置信模型，其中意见采用连续值，如果彼此足够接近，则交互主体包含他们的意见。我们提出了一种密度描述来研究超图上的 Deffuant-Weisbuch 有界置信模型。当网络中的主体数量变得无限时，我们推导出平均场速率方程，并且我们证明了速率方程产生的概率密度收敛到非交互意见集群。使用数值模拟，我们检查了密度模型的稳态意见簇的分叉，并证明当主体的数量变得无限时，基于主体的模型会收敛到密度模型。

使用异构图神经网络进行以太坊欺诈检测

原文标题： Ethereum Fraud Detection with Heterogeneous Graph Neural Networks

地址： http://arxiv.org/abs/2203.12363

作者： Hiroki Kanezashi, Toyotaro Suzumura, Xin Liu, Takahiro Hirofuchi

摘要： 虽然与以太坊等加密货币的交易变得越来越普遍，但欺诈和其他犯罪交易并不少见。图分析算法和机器学习技术可检测导致大型交易网络中网络钓鱼的可疑交易。已经提出了许多图神经网络 (GNN) 模型来将深度学习技术应用于图结构。尽管在以太坊交易网络中有使用 GNN 模型进行网络钓鱼检测的研究，但尚未研究解决顶点和边数规模以及标签不平衡的模型。在本文中，我们比较了 GNN 模型在实际以太坊交易网络数据集和网络钓鱼报告的标签数据上的模型性能，以详尽地比较和验证哪些 GNN 模型和超参数产生最佳精度。具体来说，我们评估了考虑单一类型节点和边的代表性同质 GNN 模型和支持不同类型节点和边的异构 GNN 模型的模型性能。我们表明，异构模型比同质模型具有更好的模型性能。特别是，RGCN 模型在整体指标上取得了最好的表现。

使用深度神经网络的协作自组织图用于移动人群感知中的虚假任务预防

原文标题： Collaborative Self Organizing Map with DeepNNs for Fake Task Prevention in Mobile Crowdsensing

地址： http://arxiv.org/abs/2203.12434

作者： Murat Simsek, Burak Kantarci, Azzedine Boukerche

摘要： 移动人群传感 (MCS) 是一种传感范式，它改变了各种服务提供商收集、处理和分析数据的方式。 MCS 提供新颖的流程，通过用户的移动设备感知和共享数据，以支持尖端技术的各种应用程序和服务。然而，诸如数据中毒、阻塞任务攻击和虚假传感任务等各种威胁会对 MCS 系统的性能，尤其是它们的传感和计算能力产生不利影响。由于虚假传感任务提交的目的是成功完成合法任务和移动设备资源，它们也消耗了 MCS 平台资源。在这项工作中，自组织特征图（SOFM）是一种以无监督方式训练的人工神经网络，用于对数据集中的合法数据进行预聚类，因此可以通过较少不平衡的数据更有效地检测假任务，其中新数据集中的合法/虚假任务比率较低。在将预聚类的合法任务与原始数据集分离后，剩余的数据集用于训练深度神经网络（DeepNN）以达到最终的性能目标。预聚类的合法任务被附加到 DeepNN 的正预测输出中，以提高所提出技术的性能，我们将其称为预聚类 DeepNN (PrecDeepNN)。结果证明，使用所选特征集从 DeepNN 获得的辨别合法和虚假任务的初始平均准确度可以提高到从所提出的机器学习技术获得的平均准确度 0.9812。

ShareTrace：在含时图上使用异步、并行消息传递的联系人跟踪

原文标题： ShareTrace: Contact Tracing with Asynchronous, Parallel Message Passing on a Temporal Graph

地址： http://arxiv.org/abs/2203.12445

作者： Ryan Tatton, Erman Ayday, Youngjin Yoo, Anisa Halimi

摘要： 基于近距离的接触者追踪依赖于用户设备交互来估计疾病的传播。 ShareTrace 就是这样一种方法，它已被证明可以通过考虑（间接）直接接触形式来提高追踪疾病传播的效率。在这项工作中，我们的目标是通过利用在含时图上传递的异步、并行、非迭代消息来提供有效且可扩展的 ShareTrace 公式。我们还介绍了一种独特的可达性形式，即消息可达性，它解释了消息传递和含时图的动态特性。我们对合成和真实世界含时图的评估表明，正确的参数值可以优化准确性和效率。此外，我们证明消息可达性可以准确估计用户风险对其联系人的影响。

学习网络领域作者的多学科性和学科角色

原文标题： Author Multidisciplinarity and Disciplinary Roles in Field of Study Networks

地址： http://arxiv.org/abs/2203.12504

作者： Eoghan Cunningham, Barry Smyth, Derek Greene

摘要： 在研究大型研究语料库时，“远程阅读”方法对于理解相应研究空间的主题和趋势至关重要。特别是，鉴于多学科研究的公认好处，绘制不同研究主题的学校或社区，并理解主题在这些社区内和社区之间发挥的多学科作用可能很重要。这项工作提出了研究领域 (FoS) 网络作为一种用于科学计量分析的新型网络表示。我们描述了 FoS 网络的形成，该网络根据在其中发表文章的作者将研究主题与可以识别研究领域的文章语料库相关联。当通过探索多学科科学的视角进行分析时，FoS 网络对于远程阅读大型研究论文数据集特别有用。在不断发展的科学环境中，与传统的规定学科分类方案相比，FoS 网络中的模块化社区为研究主题和子学科提供了另一种分类策略。此外，FoS 网络的结构角色分析可以突出此类社区中主题的重要特征。为了支持这一点，我们提出了两个案例研究，探索不同规模和范围的语料库中的多学科研究；即与网络科学研究有关的 6,323 篇文章和与 COVID-19 大流行研究有关的 4,184,011 篇文章。

通过约束随机优化对社会网络上的错误信息进行社会公平的缓解

原文标题： Socially Fair Mitigation of Misinformation on Social Networks via Constraint Stochastic Optimization

地址： http://arxiv.org/abs/2203.12537

作者： Ahmed Abouzeid, Ole-Christoffer Granmo, Christian Webersik, Morten Goodwin

摘要： 最近社会网络的错误信息缓解方法倾向于通过考虑全网络统计规模来研究如何减少错误信息。然而，个人之间不平衡的错误信息暴露促使研究缓解资源的公平分配。此外，网络具有随时间变化的随机动态。因此，我们引入了一个随机和非平稳的背包问题，并将其解决方案应用于减轻社会网络活动中的错误信息。我们进一步提出了一种通用的错误信息缓解算法，该算法对不同社会网络的错误信息统计数据具有鲁棒性，从而在现实世界场景中产生有希望的影响。一种新颖的损失函数可确保用户之间的公平缓解。我们通过智能地为背包分配缓解激励预算并优化损失函数来实现公平。为此，Learning Automata (LA) 团队推动预算分配。每个 LA 都与一个用户相关联，并通过在其状态空间上执行非平稳和随机游走来学习最大限度地减少其对错误信息的暴露。我们的结果表明，我们基于 LA 的方法是如何稳健的，并且在缓解如何公平地影响网络用户方面优于类似的错误信息缓解方法。

如有侵权，请联系本站删除！