Arxiv網路科學論文摘要6篇(2018-07-30)

08-13

來自專欄網路科學研究速遞2 人贊了文章

電網系統吸引盆地的多穩態性和變化;
一種新的穩定的經濟複雜演算法;
基於學習偏好和可靠性的眾包任務推薦;
宏觀經濟模型的最大熵網路重構;
DeepLink：一種基於深度學習的新型鏈路預測框架;
具有非均勻度量的有限網路中的時間連通性;

電網系統吸引盆地的多穩態性和變化

原文標題： Multistability and Variations in Basin of Attraction in Power-grid Systems

地址： http://arxiv.org/abs/1807.09420

作者： Heetae Kim, Sang Hoon Lee, J?rn Davidsen, Seung-Woo Son

摘要：電網通過供電維持現代社會，因此它們的穩定性是我們文明的關鍵因素。電網的動態穩定性通常通過其節點恢復到其承載的交流電流的相位同步的概率來量化，以響應外部擾動。直觀地，隨著節點之間的耦合強度增加，電網中節點的穩定性應該變得更加穩健。然而，在許多簡單的圖結構上，我們發現了一個反直覺的耦合強度值範圍，其中同步穩定性隨著耦合強度的增加而突然下降。由於電網設計用於滿足本地和遠程電力需求，因此用於局部電力傳輸的這種簡單的圖結構或圖實際上確實是相關的。我們證明觀察到的非單調行為是多穩態轉換的結果，它與 emph {非同步}狀態的穩定性變化有關。因此，我們的研究結果表明，必須全面了解多穩態的變化，以防止電網構建模塊出現意外的災難性不穩定因素。

一種新的穩定的經濟複雜演算法

原文標題： A new and stable algorithm for economic complexity

地址： http://arxiv.org/abs/1807.10276

作者： Vito D. P. Servedio, Paolo Buttà, Dario Mazzilli, Andrea Tacchella, Luciano Pietronero

摘要：我們提出了一種非線性非齊次適應度 - 複雜度演算法，其中非齊次項的存在保證了收斂性和穩定性。在適當地重新調整相關量之後，非齊次項最終被設置為零，使得該新方法是無參數的。這種新演算法再現了Tacchella等人提出的原始演算法的發現。 [1]，並允許在實際二值化RCA矩陣的情況下的近似解析解。該解決方案公開了與二部圖的網路理論的深度連接。我們定義了新的「國家凈效率」數量，量化了一個國家如何有效投資能夠產生創新的高質量產品的能力。最後，我們通過分析證明了演算法的局部收斂性。

基於學習偏好和可靠性的眾包任務推薦

原文標題： Task Recommendation in Crowdsourcing Based on Learning Preferences and Reliabilities

地址： http://arxiv.org/abs/1807.10444

作者： Qiyu Kang, Wee Peng Tay

摘要：參與眾包平台的工人可以擁有廣泛的能力和興趣。眾包中的一個重要問題是任務推薦問題，其中向該工作人員推薦最符合特定工作人員偏好和可靠性的任務。任務推薦方案分配更可能被更可能完成它的工作人員接受的任務，從而為任務請求者提供更好的性能。如果沒有關於工人的先前信息，他的偏好和可靠性需要隨著時間的推移而學習。在本文中，我們提出了一個多臂強盜（MAB）框架，以了解工人的偏好和他對不同類別任務的可靠性。然而，與傳統的MAB問題不同，工人完成任務的回報是不可觀察的。因此，我們在任務推薦程序中包括使用黃金任務（即，其解決方案已知 emph {先驗}並且不產生任何獎勵的任務）。我們的模型可以被視為MAB的一個新變體，其中隨機獎勵只能在使用黃金任務的那些時間步驟中觀察到，並且估計向工人推薦任務的預期獎勵的準確性取決於數量使用的黃金任務。我們證明最優遺憾是公式輸入有誤，其中nn是推薦給工人的任務數。我們開發了三個任務推薦策略來確定不同任務類別的黃金任務數量，並顯示它們是最優的訂單。模擬驗證了我們方法的效率。

宏觀經濟模型的最大熵網路重構

原文標題： A maximum entropy network reconstruction of macroeconomic models

地址： http://arxiv.org/abs/1807.10464

作者： Aurélien Hazan (LISSI)

摘要：在本文中，給定一組行為方程，解決了在宏觀經濟模型中從部分經驗數據重構代理之間聯繫模式的問題。這個系統性的觀點將重點放在分配和網路效應上，而不是時間依賴性上。利用複雜網路理論，我們比較了幾種模型來重建不同類型貨幣交易的拓撲和貨幣流量，同時強加了一系列與國民賬戶相關的約束，以及經驗網路稀疏性。將重建網路的一些屬性與其經驗對應物進行比較。

DeepLink：一種基於深度學習的新型鏈路預測框架

原文標題： DeepLink: A Novel Link Prediction Framework based on Deep Learning

地址： http://arxiv.org/abs/1807.10494

作者： Mohammad Mehdi Keikha, Maseud Rahgozar, Masoud Asadpour

摘要：最近，鏈路預測引起了計算機科學，生物信息學和經濟學等各學科的更多關注。在這個問題中，基於諸如網路拓撲，簡檔信息和用戶生成的內容之類的大量信息發現節點之間的未知鏈路。大多數先前的研究人員都專註於網路的結構特徵。雖然最近的研究表明上下文信息可以改變網路拓撲。雖然有許多有價值的研究結合了結構和內容信息，但是由於特徵工程，它們面臨著可擴展性問題。因為，大多數提取的特徵是通過監督或半監督演算法獲得的。此外，現有特徵不夠通用，無法在具有異構結構的不同網路上表現出良好的性能。此外，大多數以前的研究都是針對無向和非加權網路提出的。在本文中，基於深度學習技術，提出了一種名為「DeepLink」的新型鏈路預測框架。與先前無法自動提取鏈路預測的最佳特徵的研究相比，深度學習減少了手動特徵工程。在該框架中，使用節點的結構和內容信息。框架可以使用不同的結構特徵向量，其通過各種鏈路預測方法來準備。它考慮在結構特徵學習期間在網路中呈現的所有接近順序。我們已經評估了DeepLink在兩個真實社會網路數據集上的性能，包括Telegram和irBlogs。在這兩個數據集上，所提出的框架優於鏈路預測問題的幾種結構和混合方法。

具有非均勻度量的有限網路中的時間連通性

原文標題： Temporal connectivity in finite networks with non-uniform measures

地址： http://arxiv.org/abs/1807.10617

作者： Pete Pratt, Carl P. Dettmann, Woon Hau Chin

摘要：軟隨機幾何圖（SRGG）已廣泛應用於各種模型，包括無線感測器，通信，社交和神經網路。通過在一些空間中隨機放置節點並使用系統特定的連接函數概率地進行成對鏈接來構造SRGG，並且通常隨距離衰減。在本文中，我們將重點放在SRGG應用於無線通信網路中，其中信息以多跳方式中繼，儘管分析更通用，並且可以通過使用不同的節點分布和/或連接功能在其他地方應用。我們採用一般的非均勻密度，可以模擬不同移動模型的靜態分布，有趣的情況是當密度沿邊界變為零時。這些非均勻網路的全局連通性可能由高度隔離的節點決定，其中隔離可以由空間分布或局部幾何（邊界）引起。我們將分析擴展到時空網路，其中我們修復了點的潛在非均勻分布，並且動態是由鏈路集中的時間變化引起的，並且探索角落附近的節點在時間上被隔離的概率TT 。這項工作可以深入了解非均勻性（由移動性引起）和邊界如何影響時空網路的連通性特徵。我們提供了一種簡單的方法來近似這些概率，用於各種不同的連接函數，並根據模擬進行驗證。數值上顯示邊界節點以非均勻測量來支配這些有限網路的連通性。

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。