高频特征模式揭示的跨模式皮层增强的大脑结构功能束缚;
高阶网络中的内聚和隔离;
通信网络中互惠的时间模式;
通过社会学启发的神经网络预测意见动态;
城市规模移动数字孪生的在线轨迹预测;
DGraph：用于图异常检测的大规模金融数据集;
通过对抗性含时图表示学习进行动态社区检测;
规则网格中的合作;
TF-GNN：TensorFlow 中的图神经网络;
生活方式模式分析揭示受灾害影响社区的恢复轨迹;
通过有偏见的随机游走重连实现社区结构的涌现;
具有 VOC、季节性和疫苗的移动性驱动的空间显式 SEIQRD COVID-19 模型;
使用社交媒体数据分析进行事件检测的教程：应用程序、挑战和未解决的问题;
量子研究人员流动性：支付多萝西签证费用的神奇绿野仙踪;
高频特征模式揭示的跨模式皮层增强的大脑结构功能束缚
原文标题： Enhanced brain structure-function tethering in transmodal cortex revealed by high-frequency eigenmodes
地址： http://arxiv.org/abs/2207.03569
作者： Yaqian Yang, Zhiming Zheng, Longzhao Liu, Hongwei Zheng, Yi Zhen, Yi Zheng, Xin Wang, Shaoting Tang
摘要： 大脑的结构连接组支持神经元元件之间的信号传播，形成不同的共激活模式，这些模式可以被刻画为功能连接。虽然结构和功能之间的联系仍然是一个持续的挑战，但普遍的假设是结构 - 功能关系本身可能沿着跨越单峰到跨峰区域的宏观功能梯度逐渐解耦。然而，这一假设受到可能忽略必要信号机制的基础模型的强烈限制。在这里，我们将结构连接组转换为一组正交特征模式，控制频率特定的扩散模式，并表明区域结构 - 功能关系在不同的信号机制下显著变化。具体来说，被认为足以捕捉功能网络本质的低频特征模态对跨模态区域的功能连接重建贡献很小，导致沿单模态-跨模态梯度的结构-功能解耦。相比之下，由于与噪声和随机动态模式相关而通常处于注意力边的高频特征模式对跨模态区域的功能连通性预测有显著贡献，从而导致从单峰到跨模态区域逐渐收敛的结构-功能关系。高频特征模态信息虽然微弱且分散，但在单峰区有效提高结构-功能对应性35%，在跨模态区提高56%。总而言之，我们的研究结果表明，跨模式区域的结构-功能差异可能不是大脑组织的内在特性，但可以通过多路和区域专门化的信号机制来缩小。
高阶网络中的内聚和隔离
原文标题： Cohesion and segregation in higher-order networks
地址： http://arxiv.org/abs/2207.03750
作者： Demival Vasques Filho
摘要： 为了克服传统网络的局限性，网络科学界最近非常关注所谓的高阶网络，其中组交互与成对交互一起建模。虽然度分布和聚类是传统网络结构的最重要特征，但高阶网络呈现出几乎没有解决的两个基本属性：组大小分布和重叠。在这里，我研究了这些属性对网络结构的影响，重点是凝聚力和隔离（碎片化和社区形成）。为此，我使用配置模型的一个版本创建人工高阶网络，该版本将度数分配给节点，将大小分配给组，并通过调整参数 p 形成重叠。与直觉相反，结果表明，高频率的重叠有利于网络的凝聚力和隔离——网络变得更加模块化，甚至可以分解成多个组件，但具有紧密联系的社区。
通信网络中互惠的时间模式
原文标题： Temporal patterns of reciprocity in communication networks
地址： http://arxiv.org/abs/2207.03910
作者： Sandeep Chowdhary, Elsa Andres, Adriana Manna, Luka Blagojević, Leonardo Di Gaetano, Gerardo Iñiguez
摘要： 人类交流是从小型组织到全球在线平台的集体社会现象的本质，其特征在于成员之间的强烈互惠互动，以实现社会网络中的稳定、凝聚力和合作。虽然高度互惠在聚合通信数据中众所周知，但互惠信息交换的时间模式受到的关注却少得多。在这里，我们提出了基于交互时间顺序的互惠度量，并在来自多个通信渠道的数据中探索它们，包括电话、消息传递和社交媒体。通过将每个通道分为互惠和非互惠时间网络，我们发现了指向一对一交换与信息广播的不同角色的持续趋势。我们实施了几种交流活动的空模型，这些模型将记忆、与过去联系人重复交互的更高趋势识别为互惠的关键来源。当向活动驱动的时变网络模型添加内存时，我们重现了经验数据中的互惠水平。我们的工作增加了对人类通信系统中互惠性出现的理论理解，暗示了社会交流和大规模合作规范形成背后的机制。
通过社会学启发的神经网络预测意见动态
原文标题： Predicting Opinion Dynamics via Sociologically-Informed Neural Networks
地址： http://arxiv.org/abs/2207.03990
作者： Maya Okawa, Tomoharu Iwata
摘要： 意见的形成和传播是社会网络中的重要现象，并已在多个学科中得到广泛研究。传统上，人们提出了意见动态的理论模型来描述个人之间的相互作用（即社会互动）及其对集体意见演变的影响。尽管这些模型可以将社会学和心理学知识纳入社会互动机制，但它们需要用真实数据进行广泛校准才能做出可靠的预测，这需要大量的时间和精力。最近，社交媒体平台的广泛使用为从大量社交媒体数据中学习深度学习模型提供了新的范式。然而，这些方法忽略了任何关于社会互动机制的科学知识。在这项工作中，我们提出了第一个称为社会学信息神经网络 (SINN) 的混合方法，它通过将自然科学（即物理学）中的物理信息神经网络 (PINN) 概念传输到理论模型和社交媒体数据中社会科学（即社会学和社会心理学）。特别是，我们将理论模型重铸为常微分方程 (ODE)。然后我们训练一个神经网络，它同时逼近数据并符合代表社会科学知识的 ODE。此外，我们通过集成矩阵分解和语言模型来扩展 PINN，以结合丰富的辅助信息（例如，用户配置文件）和结构知识（例如，社交互动网络的集群结构）。此外，我们为 SINN 开发了一个端到端的训练程序，其中涉及 Gumbel-Softmax 近似以包括社会互动的随机机制。对真实世界和合成数据集的广泛实验表明，SINN 在预测意见动态方面优于六种基线方法。
城市规模移动数字孪生的在线轨迹预测
原文标题： Online Trajectory Prediction for Metropolitan Scale Mobility Digital Twin
地址： http://arxiv.org/abs/2207.03575
作者： Zipei Fan, Xiaojie Yang, Wei Yuan, Renhe Jiang, Quanjun Chen, Xuan Song, Ryosuke Shibasaki
摘要： 理解城市中移动性的“正在发生什么”和“将发生什么”是数据驱动的智慧城市系统的基石。近年来，对人类移动进行虚拟复制，并在大都市范围内近实时预测或模拟主体在虚拟空间中的细粒度移动的移动数字孪生在现代城市智能系统中显示出巨大的潜力。 .然而，很少有研究提供切实可行的解决方案。主要困难有四个方面。 1) 人类流动性的日常变化难以建模和预测； 2) 交通网络对人的流动性施加了复杂的限制； 3）生成合理的细粒度人体轨迹对于现有的机器学习模型具有挑战性； 4) 进行细粒度的预测会产生高计算成本，这对于在线系统来说是一个挑战。考虑到这些困难，在本文中，我们提出了一个两阶段的人类流动性预测器，该预测器将粗粒度和细粒度水平预测分层。在第一阶段，为了编码大都市水平的人类流动的日常变化，我们自动提取城市范围内的流动趋势作为人群背景，并在粗略的水平上预测长期和长距离的移动。在第二阶段，通过概率轨迹检索方法将粗略预测解析为细粒度级别，将大部分繁重的计算卸载到离线阶段。我们在日本关东地区使用真实世界的手机 GPS 数据集对我们的方法进行了测试，在预测单机上约 22 万手机用户未来 1 小时的移动时取得了良好的预测精度和约 2 分钟的时间效率，以支持流动性预测的更高层次的分析。
DGraph：用于图异常检测的大规模金融数据集
原文标题： DGraph: A Large-Scale Financial Dataset for Graph Anomaly Detection
地址： http://arxiv.org/abs/2207.03579
作者： Xuanwen Huang, Yang Yang, Yang Wang, Chunping Wang, Zhisheng Zhang, Jiarong Xu, Lei Chen
摘要： 图异常检测（GAD）由于其实用性和理论价值而成为最近的研究热点。由于GAD强调异常样本的应用性和稀有性，因此丰富其数据集的种类是一项基础工作。因此，本文介绍了 DGraph，一种金融领域的真实动态图。 DGraph 克服了当前 GAD 数据集的许多限制。它包含大约 3M 节点、4M 动态边和 1M 真实节点。我们对 DGraph 进行了全面的观察，发现异常节点和正常节点通常具有不同的结构、邻居分布和时间动态。此外，它表明那些未标记的节点对于检测欺诈者也是必不可少的。此外，我们对 DGraph 进行了广泛的实验。观察和实验表明，DGraph 有助于推进 GAD 研究并实现对异常节点的深入探索。
通过对抗性含时图表示学习进行动态社区检测
原文标题： Dynamic Community Detection via Adversarial Temporal Graph Representation Learning
地址： http://arxiv.org/abs/2207.03580
作者： Changwei Gong, Changhong Jing, Yanyan Shen, Shuqiang Wang
摘要： 动态社区检测已成为一种强大的工具，通过识别强连接的节点集来量化动态大脑网络连接模式的变化。然而，随着要处理的网络科学问题和网络数据变得越来越复杂，它等待着一种更好的方法来有效地从动态网络数据中学习低维表示，并揭示其在大脑网络中随时间变化的潜在功能。在这项工作中，提出了一种对抗性含时图表示学习 (ATGRL) 框架，用于从一小部分脑网络数据中检测动态社区。它采用一种新颖的含时图注意力网络作为编码器，通过注意力机制在空间和时间维度上刻画更有效的时空特征。此外，该框架采用对抗训练来指导含时图表示的学习，并优化可测量的模块化损失，以最大限度地提高社区的模块化。对真实世界大脑网络数据集的实验证明了这种新方法的有效性。
规则网格中的合作
原文标题： Cooperation in regular lattices
地址： http://arxiv.org/abs/2207.02314
作者： Lucas S. Flores, Marco A. Amaral, Mendeli H. Vainstein, Heitor C. M. Fernandes
摘要： 在演化博弈论的背景下，支持合作的最值得注意的机制之一是空间互惠，通常通过在空间结构中分配参与者来允许合作者聚集在一起并避免剥削来实现。这就提出了一个重要的问题：不同拓扑结构如何影响合作的生存？在这里，为理解决这个问题，我们探讨了焦点公共物品 (FPGG) 和经典公共物品博弈 (PGG)，以及几个规则格上的囚徒困境 (PD)：蜂窝、正方形（具有冯诺依曼和摩尔邻域）、kagome 、三角形、立方和 4D 超立方晶格，使用分析方法和基于主体的蒙特卡罗模拟。我们发现，对于两个公共物品博弈，所有二维格上都出现一致的趋势：随着第一邻居数量的增加，合作增强。然而，这只有通过根据连接数归一化的收益协同因子分析结果才能看到。除此之外，集群拓扑，即允许两个连接的玩家共享邻居的拓扑，对 FPGG 的合作最有利。对于经典的 PGG 来说，情况并非总是如此，在连接的玩家之间共享邻居可能会或可能不会有利于合作。我们还将经典 PGG 重新解释为焦点博弈，将此类博弈的格结构表示为具有更远距离、加权邻域的单一交互博弈，这种方法适用于任何常规格拓扑。最后，我们表明，根据 PD 的收益参数化，PD 和 FPGG 之间可能存在等价性；当两个博弈之间的映射不完美时，有效协同参数的定义仍然有助于显示它们的相似性。
TF-GNN：TensorFlow 中的图神经网络
原文标题： TF-GNN: Graph Neural Networks in TensorFlow
地址： http://arxiv.org/abs/2207.03522
作者： Oleksandr Ferludin, Arno Eigenwillig, Martin Blais, Dustin Zelle, Jan Pfeifer, Alvaro Sanchez-Gonzalez, Sibon Li, Sami Abu-El-Haija, Peter Battaglia, Neslihan Bulut, Jonathan Halcrow, Filipe Miguel Gonçalves de Almeida, Silvio Lattanzi, André Linhares, Brandon Mayer, Vahab Mirrokni, John Palowitch, Mihir Paradkar, Jennifer She, Anton Tsitsulin, Kevin Villela, Lisa Wang, David Wong, Bryan Perozzi
摘要： TensorFlow GNN (TF-GNN) 是 TensorFlow 中图神经网络的可扩展库。它是自下而上设计的，以支持当今信息生态系统中出现的各种丰富的异构图数据。 Google 的许多生产模型都使用 TF-GNN，它最近已作为开源项目发布。在本文中，我们描述了 TF-GNN 数据模型、其 Keras 建模 API 以及图采样、分布式训练和加速器支持等相关功能。
生活方式模式分析揭示受灾害影响社区的恢复轨迹
原文标题： Lifestyle Pattern Analysis Unveils Recovery Trajectories of Communities Impacted by Disasters
地址： http://arxiv.org/abs/2207.03589
作者： Natalie Coleman, Chenyue Liu, Yiqing Zhao, Ali Mostafavi
摘要： 民众的生活方式恢复正常是灾后恢复的一个重要里程碑，而延迟的生活方式恢复可能会导致重大的福祉影响。生活方式恢复反映了人口活动以及基础设施和商业服务恢复的集体影响。本研究使用一种新颖的方法来利用增强隐私的位置智能数据来描述独特的生活方式模式，并在德克萨斯州哈里斯县的 2017 年哈维飓风背景下揭示灾难后的恢复轨迹。该分析整合了多个数据源，以记录在基线期和中断期从家庭人口普查区块组 (CBG) 到不同兴趣点的访问次数。首先，使用 k-means 的主要聚类表征了四种不同的基本和非基本生活方式模式。然后，根据最大破坏的严重程度和恢复的持续时间，二级聚类将飓风的影响分为三个恢复轨迹。结果揭示了每个生活方式集群内的多个恢复轨迹和持续时间，这意味着相似生活方式和人口统计组之间的不同恢复率。研究结果提供了双重理论意义：（1）生活方式的恢复是一个关键的里程碑，需要在灾难发生后进行检查、量化和监测； (2) 人类流动和设施分布形成的城市空间结构，延伸洪水对人口生活方式影响的空间范围。分析和调查结果还为公职人员和应急管理人员提供了新的数据驱动的见解，以检查、衡量和监测基于生活方式恢复正常的社区恢复轨迹中的一个关键里程碑。
通过有偏见的随机游走重连实现社区结构的涌现
原文标题： Emergence of community structures through biased random walks rewiring
地址： http://arxiv.org/abs/2207.03651
作者： Qing Yao, Bingsheng Chen, Tim S. Evans, Kim Christensen
摘要： 社区结构已在各种复杂的现实世界网络中得到识别，例如通信、信息、互联网和股东网络。社区规模分布的尺度表明网络拓扑结构的异质性。当前的网络生成或增长模型可以再现一些属性，包括度分布、大的聚类系数和社区。然而，社区规模的尺度行为缺乏调查，特别是从当地互动的角度来看。基于异构节点行为不同并导致网络拓扑位置不同的假设，我们提出了一个在有向网络中设计的随机游走模型来解释观察到的网络中的特征。该模型强调，两种不同的动力学可以模拟局部交互，并且在再现真实复杂网络的特征时，隐藏层是必不可少的。该模型可以解释的关键特征包括社区大小分布、度数分布、渗透特性、平均路径长度分布以及上述特性对数据中节点标签的依赖性。
具有 VOC、季节性和疫苗的移动性驱动的空间显式 SEIQRD COVID-19 模型
原文标题： A Mobility-Driven Spatially Explicit SEIQRD COVID-19 Model with VOCs, seasonality, and vaccines
地址： http://arxiv.org/abs/2207.03717
作者： Michiel Rollier, Tijs Alleman, Jenna Vergeynst, Jan M. Baetens
摘要： 在这项工作中，我们扩展了我们之前在比利时开发的针对 SARS-CoV-2 的分隔 SEIQRD 模型。该模型在地理上分为 11 个省，比利时最大的运营商提供的电信数据集用于整合跨省流动性。我们在模型中引入了变体、季节性和疫苗，因为事实证明它们的添加对于描述、预测和理解比利时的 COVID-19 大流行至关重要。然后，我们使用每个省的每日住院人数和血清学数据来校准模型。我们展示了我们的模型如何用于设置假设场景，以研究新变体、正在进行的全国性疫苗接种运动和社会放松的综合影响。通过这种方式，我们的模型可用于为政策制定者提供有关解除社会限制的最佳时机的相关见解。最后，我们讨论了局部改变社会接触和流动性对屏蔽或遏制流行病的影响，并发现减少社会接触比降低流动性来控制 SARS-CoV-2 流行病更有效。
使用社交媒体数据分析进行事件检测的教程：应用程序、挑战和未解决的问题
原文标题： A Tutorial on Event Detection using Social Media Data Analysis: Applications, Challenges, and Open Problems
地址： http://arxiv.org/abs/2207.03997
作者： Mohammadsepehr Karimiziarani
摘要： 近年来，社交媒体已成为最受欢迎的交流平台之一。这些平台允许用户报告可能在整个社会网络中迅速广泛传播的真实事件。社交事件是在社交媒体上记录的真实事件。社交聚会可能包含危机情景的重要文件。监控和分析这些丰富的内容可以产生非常有价值的信息，并帮助人们和组织学习如何采取行动。在本文中，将对事件检测与社交媒体数据分析的潜在好处和应用进行调查。此外，将通过监控社交媒体流有条不紊地研究事件检测中的关键挑战和基本权衡。然后，将介绍基本的开放性问题和可能的研究方向。
量子研究人员流动性：支付多萝西签证费用的神奇绿野仙踪
原文标题： Quantum researcher mobility: the wonderful wizard of Oz who paid for Dorothy’s Visa fees
地址： http://arxiv.org/abs/2203.02371
作者： Mehul Malik, Elizabeth Agudelo, Ravi Kunjwal
摘要： 从历史上看，无论是由于大规模冲突、寻找新机会还是缺乏新机会，科学都通过研究人员的流动而受益匪浅。当今世界严格的全球移民政策，因 COVID-19 大流行而加剧，给所有研究人员的流动性设置了过多的障碍，更不用说量子研究了。高昂的签证费、在外国移民系统中导航的困难、对研究人员家庭缺乏支持以及针对特定移民群体的明确政府政策都是严重影响量子研究人员跨越物理和科学能力的例子边界。在这里，我们清楚地确定了影响量子研究人员流动性的一些关键问题，并讨论了在政府、机构和社会层面帮助或可能帮助克服这些障碍的良好实践示例。在全球范围内采用这种做法可以确保量子科学家能够充分发挥其潜力，无论他们出生在哪里。
转自： 网络科学研究速递
如有侵权，请联系本站删除！
