09月22日, 2014 146次
原文标题： Multi-Stage Network Embedding for Exploring Heterogeneous Edges
地址： http://arxiv.org/abs/2110.10347
作者： Hong Huang, Yu Song, Fanghua Ye, Xing Xie, Xuanhua Shi, Hai Jin
摘要： 网络中对象之间的关系通常是多样和复杂的，导致具有不同语义信息的异构边。在本文中，我们专注于探索网络表示学习的异构边。通过将每个关系视为描述节点之间特定类型接近度的视图，我们提出了一种多阶段非负矩阵分解 (MNMF) 模型，致力于利用多个视图中的丰富信息来学习稳健的网络表示。事实上，大多数现有的网络嵌入方法都与隐式分解复杂的邻近矩阵密切相关。然而，近似误差通常非常大，因为单个低秩矩阵不足以刻画原始信息。通过梯度提升驱动的多阶段矩阵分解过程，我们的 MNMF 模型实现了较低的近似误差。同时，MNMF的多级结构为设计两种非负矩阵分解（NMF）方式更好地保存网络信息提供了可行性。统一的 NMF 旨在保留不同观点之间的共识信息，而独立的 NMF 旨在保留每个观点的唯一信息。在现实数据集上的具体实验结果表明，我们的模型在实际应用中优于三种类型的基线。
复杂网络的隐写术原文标题： Steganography of Complex Networks
地址： http://arxiv.org/abs/2110.10418
作者： Daewon Lee
摘要： 隐写术是一种信息隐藏技术，它在封面媒体中隐藏秘密信息。数字图像和音频是隐写术研究最多的封面媒体。然而，到目前为止，还没有关于隐写术将复杂网络用作封面媒体的研究。为了研究复杂网络作为隐写术封面媒体的可能性和可行性，我们通过三种算法介绍了复杂网络的隐写术：BIND、BYMOND 和 BYNIS。 BIND 在边中隐藏了两位秘密消息，而 BYMOND 在边中对一个字节进行编码，而不改变原始网络结构。 Open Graph Benchmark 网络的编码模拟实验证明 BIND 和 BYMOND 可以成功隐藏边列表中的随机消息。 BYNIS 通过从给定消息生成节点标识符来合成边。 BYNIS 合成的 stego 网络的度分布大多接近幂律。复杂网络的隐写术有望用于保护专有数据集的水印或用于隐私保护的敏感信息隐藏等应用。
具有幂律超传播事件的流行病过程的有限时间尺度原文标题： Finite-time scaling for epidemic processes with power-law superspreading events
地址： http://arxiv.org/abs/2110.10459
作者： Carles Falcó, Álvaro Corral
摘要： 流行病通过从每个感染者到随机数量的继发病例的传播过程展开。据称，COVID-19 中所谓的超级传播事件受次要病例的幂律尾分布控制，没有有限方差。使用连续时间分支过程，我们表明对于这种幂律超传播爆发的生存概率作为时间的函数和基本再生数满足“有限时间尺度”定律（类似于有限大小尺度）具有仅依赖于幂律指数的类普遍特征。这清楚地显示了如何在无限时间限制（类似于热力学限制）中出现分离亚临界和超临界相的相变。我们量化了违反直觉的危险无限方差超级传播姿势，并得出结论，超级传播只会导致无限方差情况下的新现象学。
通过多智能体深度层次强化学习进行对抗性社交机器人学习原文标题： Adversarial Socialbot Learning via Multi-Agent Deep Hierarchical Reinforcement Learning
地址： http://arxiv.org/abs/2110.10655
作者： Thai Le, Long Tran-Thanh, Dongwon Lee
摘要： 社交机器人是社交平台上由软件驱动的用户帐户，自主行动（模仿人类行为），旨在影响其他用户的意见或为特定目标传播有针对性的错误信息。由于社交机器人破坏了社交平台的生态系统，它们通常被认为是有害的。因此，已经有一些计算工作来自动检测社交机器人。然而，据我们所知，尚未研究这些社交机器人的对抗性。这就引出了一个问题：“控制社交机器人的对手能否利用人工智能技术为自己谋利？”对于这个问题，我们成功地证明了对手确实有可能利用强化学习 (RL) 等计算学习机制来最大化社交机器人的影响，同时避免被发现。我们首先将对抗性社交机器人学习制定为两个功能分层 RL 主体之间的合作博弈。当一个主体策划一系列可以避免检测的活动时，另一个主体旨在通过有选择地与正确的用户建立联系来最大化网络影响。我们提出的策略网络使用大量合成图进行训练，并且在最大化网络影响（高达 +18%）和可持续隐身性（高达 +40% 的不可检测性）方面比在看不见的现实生活中的图上泛化得更好。强大的机器人检测器（具有 90% 的检测准确率）。在推理过程中，我们的方法的复杂性线性扩展，独立于网络结构和新闻的病毒式传播。这使我们的方法在实际环境中部署时成为一种实用的对抗性攻击。
在旅游研究中使用购物篮分析原文标题： Using a market basket analysis in tourism studies
地址： http://arxiv.org/abs/2110.10679
作者： Damjan Vavpotič, Karmen Knavs, Ljubica Knežević Cvelbar
摘要： 理解游客访问模式对于决策者创建智慧旅游产业至关重要。越来越多的旅游研究使用地理位置数据来更好地理解旅游需求。在本文中，我们提出了一种基于市场篮子分析的新方法。这种方法使用游客在旅游平台上共享的地理位置数据，以捆绑可用的旅游服务范围并理解哪些体验是一起消费的。该方法在奥地利维也纳的案例中进行了测试。根据我们的分析，我们认为所提出的方法具有在目的地层面使用的潜力，并提供对智能旅游决策很重要的旅游需求模式的相关信息。
具有任意度分布的网络上矢量自旋模型的平均场理论原文标题： Mean-field theory of vector spin models on networks with arbitrary degree distributions
地址： http://arxiv.org/abs/2110.11153
作者： Fernando L. Metz, Thomas Peron
摘要： 理解复杂网络的异构结构与其上发生的合作现象之间的关系仍然是网络科学中的一个关键问题。网络自旋模型的平均场理论构成理解决这个问题的基本工具，也是统计物理学的基石，在凝聚态物质、生物学和计算机科学中有着大量的应用。在这项工作中，我们推导出了矢量自旋模型在具有任意度分布和随机加权链接的高连通性随机网络上的平衡行为的平均场方程。我们证明了网络上自旋模型的高连通性限制并不普遍，因为它取决于全度分布。这种非普遍行为类似于一种非凡的机制，当应用于有效局部场的分布时，该机制会导致中心极限定理失效。传统的全连接模型的平均场理论，如 Curie-Weiss、Kuramoto 和 Sherrington-Kirkpatrick 模型，只有当网络度分布高度集中在其平均度附近时才有效。我们通过关注同步的 Kuramoto 模型和自旋玻璃的 Sherrington-Kirkpatrick 模型，获得了一系列结果，这些结果强调了度数波动对平均场自旋模型相图的重要性。数值模拟证实了我们的理论发现，并提供了令人信服的证据，表明目前的平均场理论描述了一种中间连通性机制，其中平均度 c 尺度为幂 c propto N^b (b < 1) 的总旋转次数 N gg 1。我们的研究结果提出了一类新的自旋模型，它结合了度数波动的影响，同时适用于精确的解析解。
专利异议和合作网络中的时间模体原文标题： Temporal Motifs in Patent Opposition and Collaboration Networks
地址： http://arxiv.org/abs/2110.11198
作者： Penghang Liu, Naoki Masuda, Tomomi Kito, A. Erdem Sarıyüce
摘要： 专利是反映公司和组织创新活动的知识产权。文献丰富，分析专利之间的引用和拥有专利的公司之间的合作关系的研究。然而，专利所有人之间的对抗关系并没有得到很好的调查。模拟这种关系的一个主体是专利异议，这是一种公司挑战专利有效性的法律活动。表征专利异议、合作以及它们之间的相互作用有助于更好地理解公司的业务战略。在这种情况下，时间性很重要，因为反对和合作的顺序和频率是它们相互作用的特征。在这项研究中，我们构建了一个两层时间网络来模拟公司之间的专利异议和合作。我们利用时间主题从结构和时间的角度分析对立和合作。我们首先描述专利异议中常见的主题，并调查不同规模的公司攻击其他公司的频率。我们表明大公司倾向于与多家公司进行对立。然后我们分析合作与反对之间的时间相互作用。我们发现两个对抗性公司在未来合作的可能性比两个合作公司在未来相互对抗的可能性更大。
声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，未经同意请勿随意转载。本系列在公众号“网络科学研究速递”（netsci）和个人博客进行同步更新。
