Arxiv網路科學論文摘要8篇(2018-04-20)

05-03

避免公地悲劇的七條規則;
用非參數Bandits探索部分觀測網路;
網路社區和拓撲變化對社會網路中諧波影響消息傳遞計算的影響;
調查多元網路中的負相互作用：一種互信息方法;
網路上的隨機輿論動態：來自部分觀察的影響估計;
核心-邊緣網路上二選一動力學的相變;
使用統計文本分析在社交媒體上識別被損害帳戶;
語義網路中頂點累積相互影響的演算法;

避免公地悲劇的七條規則

原文標題： Seven rules to avoid the tragedy of the commons

地址： http://arxiv.org/abs/1804.06984

作者： Yohsuke Murase, Seung Ki Baek

摘要：處於社會困境中的自利球員之間的合作是脆弱的，容易被錯誤打斷。在這項工作中，我們研究重複的n -person公共貨物博弈，並在存在執行錯誤的情況下尋找一種形成合作納什均衡的策略，並保證得到的回報不會低於任何公司-players。通過列舉n=3的戰略可能性，我們證明當內存長度m等於三時，這種策略確實存在。這意味著可以公開採用確定性戰略來穩定合作對抗錯誤，避免被剝削的風險。我們進一步表明，對於一般的n - 人公共物品博弈，m geqn是滿足上述標準所必需的。

用非參數Bandits探索部分觀測網路

原文標題： Exploring Partially Observed Networks with Nonparametric Bandits

地址： http://arxiv.org/abs/1804.07059

作者： Kaushalya Madhawa, Tsuyoshi Murata

摘要：真實世界的網路，如社交和通信網路太大，無法完全觀察到。通常部分觀察到這樣的網路，使得原始網路的網路大小，網路拓撲和節點未知。在本文中，我們將自適應圖表探索問題形式化。我們假設我們獲得了一個大型網路的不完整快照，並且可以通過查詢當前觀察到的網路中的節點來發現其他節點。此問題的目標是最大化給定查詢預算內觀察節點的數量。查詢哪一組節點最大化觀察網路的大小？我們將這個問題作為一個探索開發問題來提出，並提出一種新的非參數多臂匪（MAB）演算法來識別哪些節點被查詢。我們的貢獻包括：（1）i KNN-UCB是一種新穎的非參數MAB演算法，當手臂出現在向量空間中時，將k - 最近的鄰居UCB應用於設置;（2）提供理論保證i KNN-UCB演算法具有次線性遺憾，並且（3）在合成網路和來自不同域的真實世界網路上應用i KNN-UCB演算法，我們發現與現有基線相比，我們的方法發現多達40％的節點。

網路社區和拓撲變化對社會網路中諧波影響消息傳遞計算的影響

原文標題： Effects of Network Communities and Topology Changes in Message-Passing Computation of Harmonic Influence in Social Networks

地址： http://arxiv.org/abs/1804.07093

作者： Wilbert Samuel Rossi, Paolo Frasca

摘要：諧波影響是社會網路中節點重要性的度量，可以通過分散式消息傳遞演算法近似計算。在這個擴展的摘要中，我們看看關於這個演算法的兩個開放問題。它是如何在真實的社會網路上發揮作用的，社會網路具有複雜的拓撲結構。在演算法運行時網路拓撲結構發生變化時它的性能如何？我們分別通過Facebook自我網路和合成網路上的數值實驗來回答這兩個問題。我們發現社區可以在最終的近似值中引入人工製品，並使演算法高估了社區內「地方領導」的重要性。我們還觀察到該演算法能夠平滑地適應拓撲結構的變化。

調查多元網路中的負相互作用：一種互信息方法

原文標題： Investigating Negative Interactions in Multiplex Networks: A Mutual Information Approach

地址： http://arxiv.org/abs/1804.07210

作者： Alireza Hajibagheri, Gita Sukthankar

摘要：許多有趣的現實世界系統被表示為具有多種類型的交互和層之間複雜的依賴性結構的複雜網路。這些相互作用可以被編碼為具有價值，具有標記交互的正面鏈接，例如信任和友誼以及表示不信任或敵意的負面鏈接。從這些負面交互中提取信息是具有挑戰性的，因為標準拓撲度量通常是負面鏈接形成的不良預測器，特別是在網路層中。在本文中，我們介紹一種基於互信息的方法，使我們能夠預測負面和正面的關係。我們的實驗表明，SMLP（簽名多路復用鏈路預測）可以利用多路復用網路中的負面關係層來提高鏈路預測性能。

網路上的隨機輿論動態：來自部分觀察的影響估計

原文標題： Randomized opinion dynamics over networks: influence estimation from partial observations

地址： http://arxiv.org/abs/1804.07220

作者： Chiara Ravazzi, Sarah Hojjatinia, Constantino M. Lagoa, Fabrizio Dabbene

摘要：在本文中，我們提出了一種在稀疏社會網路中估計影響矩陣的技術，其中n個體以八卦方式進行溝通。在每一步中，社會行動者的隨機子集都是活躍的，並與隨機選擇的鄰居進行交互。這些觀點根據弗里德金和約翰森的機制演變而成，其中個人將他們的信仰更新為他們當前信仰，他們與之互動的主體的信念，以及他們最初的信念或偏見的凸組合。利用最近的向量自回歸過程估計結果，我們重構了社會網路拓撲以及從相互作用的部分觀察開始的互連強度，從而消除了有限時域技術的一個主要缺點。所提出方法的有效性顯示在隨機生成網路上。

核心-邊緣網路上二選一動力學的相變

原文標題： Phase Transition of the 2-Choices Dynamics on Core-Periphery Networks

地址： http://arxiv.org/abs/1804.07223

作者： Emilio Cruciani, Emanuele Natale, André Nusser, Giacomo Scornavacca

摘要：考慮網路上的以下過程：每個代理最初都擁有觀點符號{blue}或 emph {red};那麼，在每一輪中，每個代理人都會看到兩個隨機鄰居，如果兩人有相同的意見，代理人會採用它。這個過程被稱為「2選擇」動態，可以說是社會網路上投票行為最基本的非平凡觀點動態建模。儘管表面上看起來很簡單，但兩種選擇只能在具有強擴展性的網路上進行分析 - 根據初始配置的假設將其確定為快速多數共識協議。在這項工作中，我們的目標是通過考慮其在一類具有核心 - 邊緣結構的網路上的行為，這是社會網路中眾所周知的拓撲假設，來幫助理解2選擇動態。簡而言之，假定代理的密集連接子集（核心）與網路其餘部分（ emph {外圍}）持有不同意見。然後，根據核心與外圍之間的切割強度，會發生相變現象：核心的觀點在網路的其他部分迅速傳播，或者發生亞穩態階段，這兩種觀點共存於網路超多項式時間。我們的結果的利益是雙重的。一方面，通過將2選擇動態看作社會網路中觀點之間競爭的簡單模型，我們的定理揭示了核心對網路其餘部分的影響，這是核心的連通性後者。另一方面，據我們所知，我們提供了第一個分析結果，它顯示了一個簡單動態的異構行為作為網路結構參數的函數。最後，我們用真實網路上的大量實驗來驗證我們的理論預測。

使用統計文本分析在社交媒體上識別被損害帳戶

原文標題： Identifying Compromised Accounts on Social Media Using Statistical Text Analysis

地址： http://arxiv.org/abs/1804.07247

作者： Dominic Seyler, Lunan Li, ChengXiang Zhai

摘要：被損害社交媒體帳戶是被第三方（惡意）方劫持的合法用戶帳戶，並可能導致各種損害。為了控制損害，及早發現此類受損賬戶非常重要。在這項工作中，我們提出了一個利用統計文本分析來發現受損賬戶的新穎的通用框架。該框架建立在觀察到用戶將使用與黑客（或垃圾郵件發送者）使用的語言明顯不同的語言時，該帳號被盜用。我們使用該框架開發基於語言建模的特定演算法，並使用用戶和垃圾郵件發送者的語言模型的相似性作為監督學習設置中的特徵來識別受損賬戶。對超過1.29億條推文的大型Twitter語料庫的評估結果表明了所提出方法的可喜成果。

語義網路中頂點累積相互影響的演算法

原文標題： The Algorithm of Accumulated Mutual Influence of The Vertices in Semantic Networks

地址： http://arxiv.org/abs/1804.07251

作者： Oleh O. Dmytrenko, Dmitry V. Lande

摘要：在這篇文章中，介紹了計算認知圖中頂點相互影響的演算法。已經表明，在所提出的演算法中，與廣泛使用的方法（脈衝方法）相比，沒有問題，因為所提出的演算法總是給出結果，而不管與加權有向圖對應的脈衝過程是穩定與否。根據所提演算法的計算結果也不依賴於初始脈衝，反之頂點權重的初始值影響計算結果。與脈衝方法不同，所提出的用於計算頂點的相互影響的演算法在增加對應於認知圖的相鄰矩陣的元素之後不會違反尺度不變性。本文還介紹了該演算法在認知地圖分析的眾多例子中的優勢。

聲明：Arxiv文章摘要版權歸論文原作者所有，由本人進行翻譯整理，未經同意請勿隨意轉載。本系列在微信公眾號「網路科學研究速遞」（微信號netsci）和個人博客 https://www.complexly.me （提供RSS訂閱）進行同步更新。