Arxiv網絡科學論文摘要12篇(2022-02-17)

• 進一步了解巨人：量化科學中的知識譜系;
• 圖預訓練概覽：分類、方法和應用;
• GSN：受彈簧網絡啟發的通用圖神經網絡;
• 通過博弈論方法在 Zerkani 網絡中排名;
• CenGCN：用于無标度圖的具有頂點不平衡的集中式卷積網絡;
• 用于學術網絡上可解釋推薦的異構圖學習;
• 深入了解 Twitter 一貫有毒的 1%;
• 重新審視網絡穩健性;
• 多層網絡中的可持續最優傳輸;
• 更好地了解線上影響力：公司和影響者之間的 Twitter 溝通差異;
• 通過強化學習進行域自适應假新聞檢測;
• 超越 COVID-19 大流行：疫苗接種政策的拓撲感覺優化，以最大限度地減少病毒傳播;

進一步了解巨人：量化科學中的知識譜系

原文标題： See further upon the giants: Quantifying intellectual lineage in science

位址： http://arxiv.org/abs/2202.07862

作者： Woo Seong Jo, Lu Liu, Dashun Wang

摘要： 牛頓數百年來站在巨人肩膀上的智慧提出了一個關鍵但未被充分探索的問題：在一個發現引用的所有先前著作中，哪一個是它的巨人？在這裡，我們開發了一種新穎的、獨立于學科的方法來識别任何單篇論文的巨人，使我們能夠系統地檢查巨人在科學中的作用和特征。我們發現，跨學科，大約 95% 的論文站在巨人的肩膀上，而科學進步的重量卻落在了相對較少的肩膀上。定義巨人指數的新衡量标準，我們發現，雖然被引次數高的論文更有可能成為巨人，但對于被引次數相同的論文，他們的巨人指數可以敏銳地預測一篇論文的未來影響力和獲獎機率。巨人往往來自小型和大型團隊，要麼具有高度破壞性，要麼具有高度發展性。沒有巨人但後來成為巨人的論文往往是對科學具有高度破壞性的本壘打論文。鑒于基于引用的測量在科學中的至關重要性，發達的巨人概念可能會為評估科學影響提供一個有用的新次元，而不僅僅是引用計數。

圖預訓練概覽：分類、方法和應用

原文标題： A Survey of Pretraining on Graphs: Taxonomy, Methods, and Applications

位址： http://arxiv.org/abs/2202.07893

作者： Jun Xia, Yanqiao Zhu, Yuanqi Du, Stan Z. Li

摘要： BERT 等預訓練語言模型 (PLM) 徹底改變了自然語言處理 (NLP) 的格局。受其擴散的啟發，人們對預訓練圖模型 (PGM) 做出了巨大努力。由于 PGM 強大的模型架構，可以從大量标記和未标記的圖資料中擷取豐富的知識。隐式編碼在模型參數中的知識可以使各種下遊任務受益，并有助于緩解圖學習的幾個基本問題。在本文中，我們對 PGM 進行了第一次全面調查。我們首先介紹了圖表示學習的局限性，進而介紹了圖預訓練的動機。然後，我們根據分類從四個不同的角度系統地對現有的 PGM 進行分類。接下來，我們介紹 PGM 在社會推薦和藥物發現中的應用。最後，我們概述了幾個有前途的研究方向，可以作為未來研究的指南。

GSN：受彈簧網絡啟發的通用圖神經網絡

原文标題： GSN: A Universal Graph Neural Network Inspired by Spring Network

位址： http://arxiv.org/abs/2201.12994

作者： Guanyu Cui, Zhewei Wei

摘要： 近年來，在同質圖和異質圖上運作的通用圖神經網絡（GNN）的設計受到越來越多的研究關注。現有的異類 GNN，尤其是那些在空間域中設計的 GNN，缺乏令人信服的理論或實體動機。在本文中，我們提出了 Graph Spring Network (GSN)，這是一種通用的 GNN 模型，适用于同質圖和異質圖，受彈簧網絡和度量學習的啟發。我們表明，GSN 架構從彈簧勢能最小化的角度用各種名額解釋了許多現有的 GNN 模型，這為這些模型提供了強大的實體動機。我們還進行了廣泛的實驗，以證明我們的 GSN 架構在現實世界的同質和異質資料集上的卓越性能。

通過博弈論方法在 Zerkani 網絡中排名

原文标題： Rankings in the Zerkani network by a game theoretical approach

位址： http://arxiv.org/abs/2202.07730

作者： Encarnación Algaba, Andrea Prieto, Alejandro Saavedra-Nieves

摘要： 本文介紹了 Banzhaf 和 Banzhaf-Owen 值作為在網絡中對恐怖分子進行排名的新穎中心性度量。這種新方法可以內建網絡的完整拓撲（即節點和邊）和網絡節點上的聯盟結構。更準确地說，網絡節點的特征（例如，恐怖分子）及其可能的關系（例如，通信連結的類型），以及獨立于網絡的聯盟資訊（例如層次結構的級别）。首先，對于這兩種中心性度量，我們提供了近似算法和相應的 R 碼。其次，作為說明，我們對負責巴黎（2015 年）和布魯塞爾（2016 年）襲擊的 Zerkani 網絡成員進行了排名。最後，我們将 Banzhaf 和 Banzhaf-Owen 建立的排名與使用 Shapley 值（參見 Hamers 等人，2019）和 Owen 值作為中心度度量時獲得的排名進行比較

CenGCN：用于無标度圖的具有頂點不平衡的集中式卷積網絡

原文标題： CenGCN: Centralized Convolutional Networks with Vertex Imbalance for Scale-Free Graphs

位址： http://arxiv.org/abs/2202.07826

作者： Feng Xia, Lei Wang, Tao Tang, Xin Chen, Xiangjie Kong, Giles Oatley, Irwin King

摘要： 圖卷積網絡（GCN）在各個領域都取得了令人矚目的表現，引起了相當大的關注。 GCN 的核心步驟是資訊傳遞架構，它認為從鄰居到中心頂點的所有資訊都同等重要。然而，這種同等重要性對于無标度網絡來說是不夠的，在無标度網絡中，由于頂點不平衡，中心頂點傳播更多的主導資訊。在本文中，我們提出了一個名為 CenGCN 的新的基于中心性的架構來解決資訊的不平等問題。該架構首先通過與中心頂點的标簽傳播來量化中心頂點與其鄰居之間的相似性。基于這種相似性和中心性名額，該架構通過增加或減少連接配接中心頂點的邊的權重以及向頂點添加自連接配接來轉換圖。在 GCN 的每個非輸出層中，該架構使用集線器注意力機制根據與集線器頂點的共同資訊為連接配接的非集線器頂點配置設定新的權重。我們分别基于度中心性和特征向量中心性提出了兩個變體 CenGCN_D 和 CenGCN_E。我們還進行了綜合實驗，包括頂點分類、鍊路預測、頂點聚類和網絡可視化。結果表明，這兩個變體明顯優于最先進的基線。

用于學術網絡上可解釋推薦的異構圖學習

原文标題： Heterogeneous Graph Learning for Explainable Recommendation over Academic Networks

位址： http://arxiv.org/abs/2202.07832

作者： Xiangtai Chen, Tao Tang, Jing Ren, Ivan Lee, Honglong Chen, Feng Xia

摘要： 随着每年具有研究學位的應屆畢業生的爆炸式增長，對于處于早期職業生涯的研究人員來說，在合适的機構找到工作帶來了前所未有的挑戰。本研究旨在了解學術工作轉變的行為，進而為博士畢業生推薦合适的機構。具體來說，我們設計了一個深度學習模型來預測早期研究人員的職業變化并提供建議。該設計建立在學術/學術網絡之上，其中包含有關學者和機構之間科學合作的豐富資訊。我們建構了一個異構的學術網絡，以促進對學者職業變動行為的探索和機構的推薦。我們設計了一種稱為 HAI（異構圖注意力 InfoMax）的無監督學習模型，該模型聚合了注意力機制和互資訊用于機構推薦。此外，我們提出了學者關注和元路徑關注來發現幾個元路徑之間的隐藏關系。通過這些機制，HAI 提供了可解釋的有序建議。我們根據基線方法在真實資料集上評估 HAI。實驗結果驗證了我們方法的有效性和效率。

深入了解 Twitter 一貫有毒的 1%

原文标題： A deep dive into the consistently toxic 1% of Twitter

位址： http://arxiv.org/abs/2202.07853

作者： Hina Qayyum, Benjamin Zi Hao Zhao, Ian D. Wood, Muhammad Ikram, Mohamed Ali Kaafar, Nicolas Kourtellis

摘要： 線上社會網絡 (OSN) 中的不當行為是一種日益嚴重的現象。迄今為止的研究往往側重于部署機器學習來識别和分類不當行為的類型，例如欺淩、攻擊和種族主義等等。識别的主要目标是遏制自然和機械的不當行為，并使 OSN 成為更安全的社交場所。除了過去的工作之外，我們對大量 Twitter 個人資料進行了縱向研究，這使我們能夠根據他們釋出劇毒内容的一緻性來描述個人資料。我們的資料跨越了 14 年的推文，來自 122K 條 Twitter 個人資料和超過 2.93 億條推文。從這些資料中，我們選擇了毒性内容一緻性方面最極端的配置檔案，并檢查了他們的推文文本，以及他們共享的域、主題标簽和 URL。我們發現，這些標明的個人資料保持一個狹窄的主題，主題标簽、URL 和域的多樣性較低，它們在主題上彼此相似（以一種協調的方式，如果不是通過意圖），并且很可能類似于機器人行為（可能有意圖影響的祖先）。我們的工作為研究社群提供了一個實質性和縱向的線上不當行為資料集，并在探索不當行為作為影響 OSN 操作的潛在附件時，将配置檔案的有毒行為的一緻性作為一個有用的因素。

重新審視網絡穩健性

原文标題： Network Robustness Revisited

位址： http://arxiv.org/abs/2202.07911

作者： Thilo Gross, Laura Barth

摘要： 複雜網絡的魯棒性是網絡科學誕生後最早研究的現象之一。然而，該理論的許多當代介紹并沒有超出原始論文的範圍。在這裡，我們重新審視這個主題，目的是提供一個深刻但具有指導意義的介紹。我們特别注意計算通常被忽略的巨型元件尺寸的一些複雜性。按照直覺的程式，我們推導出簡單的公式來捕捉常見攻擊場景對任意（配置模型）網絡的影響。我們希望這個溫和但有數學基礎的介紹将幫助新的研究人員發現這個美麗的網絡科學領域。

多層網絡中的可持續最優傳輸

原文标題： Sustainable optimal transport in multilayer networks

位址： http://arxiv.org/abs/2202.07933

作者： Abdullahi Ibrahim, Daniela Leite, Caterina De Bacco

摘要： 交通擁堵是交通行業面臨的主要挑戰之一。雖然這個問題帶來了高昂的經濟和環境成本，但在多層網絡基礎設施中為乘客設計的最佳路徑的高效設計勢在必行。我們考慮了一種基于最優交通理論的方法，以優先沿比道路碳效率更高的層為乘客安排路線，例如鐵軌。通過分析這種選擇對性能的影響，我們發現與最短路徑最小化相比，這種方法大大減少了碳排放。同樣，我們發現這種方法可以更均勻地配置設定流量，進而減輕交通擁堵的風險。我們的結果揭示了在最優傳輸理論指導下跨層靈活配置設定流量的影響。

更好地了解線上影響力：公司和影響者之間的 Twitter 溝通差異

原文标題： Towards a Better Understanding of Online Influence: Differences in Twitter CommunicationBetween Companies and Influencers

位址： http://arxiv.org/abs/2202.07986

作者： Diana C. Hernandez-Bocanegra, Angela Borchert, Felix Brünker, Gautam Kishore Shahi, Björn Ross

摘要： 在過去十年中，Twitter 等社交媒體平台在公司的各種營銷政策中變得越來越重要。這項工作旨在通過在社會影響理論的背景下調查推文的特征及其次元即時性，在文本層面檢查有影響力的内容的存在。為此，我們使用情緒分析和度中心性等社交媒體分析方法分析了 2018 年黑色星期五期間有影響力的 Twitter 通信資料。結果顯示，公司和影響者之間的溝通方式存在顯著差異。與影響者相比，公司釋出了更長的文本内容，并建立了更多帶有積極情緒的推文和更多的第一人稱代詞。這些發現将作為未來實驗研究的基礎，以檢驗文本存在對消費者認知和購買意願的影響。

通過強化學習進行域自适應假新聞檢測

原文标題： Domain Adaptive Fake News Detection via Reinforcement Learning

位址： http://arxiv.org/abs/2202.08159

作者： Ahmadreza Mosallanezhad, Mansooreh Karami, Kai Shu, Michelle V. Mancenido, Huan Liu

摘要： 随着社交媒體成為資訊消費的主要力量，假新聞的加速傳播給平台區分合法和假新聞帶來了新的挑戰。由于新聞領域的多樣性和昂貴的注釋成本，有效的假新聞檢測是一項不平凡的任務。在這項工作中，我們通過将輔助資訊（例如，使用者評論和使用者與新聞互動）結合到一個名為 textbfREinforced textbfA 的新型基于強化學習的模型中來解決現有自動假新聞檢測模型的局限性。 daptive textbfLearning textbfFake textbfNews textbfDetection (REAL-FND)。 REAL-FND 利用跨域和域内知識，使其在目标域中具有魯棒性，盡管是在不同的源域中訓練的。對真實世界資料集的廣泛實驗說明了所提出模型的有效性，特别是當目标域中可用的标記資料有限時。

超越 COVID-19 大流行：疫苗接種政策的拓撲感覺優化，以最大限度地減少病毒傳播

原文标題： Beyond COVID-19 Pandemic: Topology-aware optimisation of vaccination strategy for minimising virus spreading

位址： http://arxiv.org/abs/2202.08229

作者： Francesco Petrizzelli, Pietro Hiram Guzzi, Tommaso Mazza

摘要： 傳染病傳播的減緩最近引起了研究界的極大關注。它可以通過采用衛生測量社會規則以及廣泛的疫苗接種運動來獲得。疫苗接種是目前緩解冠狀病毒病 (COVID-19) 爆發的主要方法，無需嚴格封鎖。其有效性還取決于主管部門的數量和及時性，是以需要嚴格的優先級标準。幾乎所有國家都優先考慮獲得類似類别的暴露勞工，以最大限度地提高患者的生存率和挽救生命的年限。傳染病傳播的減緩最近引起了研究界的極大關注。它可以通過采取衛生措施、社會規則以及廣泛的疫苗接種運動來獲得。疫苗接種是目前緩解冠狀病毒病 (COVID-19) 爆發的主要方法，無需嚴格封鎖。其有效性還取決于主管部門的數量和及時性，是以需要嚴格的優先級标準。幾乎所有國家都優先考慮了類似類别的暴露勞工：醫療保健專業人員和老年人，以最大限度地提高患者的生存率和挽救生命的年限。盡管如此，該病毒目前正在高速傳播，迄今為止采用的任何優先級标準都沒有考慮到聯系網絡的結構組織。

聲明：Arxiv文章摘要版權歸論文原作者所有，機器翻譯後由本人進行校正整理，未經同意請勿随意轉載。本系列在公衆号“網絡科學研究速遞”（netsci）和個人部落格進行同步更新。