从网络连接预测合作水平的转变;无分布随机图分析的稳健子图计数;复杂网络上的疾病。从数据库建模和保护策略建议;Checkovid：使用网络和内容挖掘视角的Twitter上的COVID-19错误信息检测系统;通过出口和走廊逃离群体的微观动力学;优化联系人跟踪中的操作顺序;关于短期 COVID-19 死亡率预测的准确性;COVID-19 病例/死亡人数增加对针对政府的不文明推文数量的影响;一种在集群网络上模拟复杂传染的多类型分支过程方法;在线阴谋讨论社区中表征社会想象和不和谐的自我披露;从网络连接预测合作水平的转变原文标题： Predicting transitions in cooperation levels from network connectivity地址： http://arxiv.org/abs/2107.09976作者： A. Zhuk, I. Sendiña-Nadal, I. Leyva, D. Musatov, A.M. Raigorovskii, M. Perc, S. Boccaletti摘要： 网络决定了我们的社交圈以及我们与他人合作的方式。我们知道像枢纽和度数分类这样的拓扑特征会影响合作，并且我们知道如果利他行为的收益除以成本超过平均邻居数量，则合作是有利的。然而，还没有提出一个简单的规则来预测任意网络上的合作转换。在这里，我们展示了网络中独特的度数序列可用于预测在哪些博弈参数上可以预期合作水平的主要变化，包括从吸收到混合策略阶段的相变。我们在随机和无标度网络上使用演化囚徒困境博弈来证明预测，以及它的局限性和可能的陷阱。我们观察到预测与使用并发和蒙特卡罗方法更新策略获得的结果之间的良好一致性，从而提供了一种简单快速的方法来估计任意网络上的演化社会困境的结果，而无需实际玩博弈.无分布随机图分析的稳健子图计数原文标题： Robust subgraph counting with distribution-free random graph analysis地址： http://arxiv.org/abs/2107.10089作者： Johan S. H. van Leeuwaarden, Clara Stegehuis摘要： 诸如派系、循环和星形之类的子图在现实世界网络的拓扑中形成了重要的连接。随机图模型提供对某些子图出现频率的估计，进而可以针对现实世界的网络进行测试。然而，这些子图的数量主要取决于假设的度数分布。对网络数据拟合度分布具有挑战性，特别是对于具有幂律度的无标度网络。在本文中，我们开发了稳健的子图计数，它不依赖于整个度数分布，而只依赖于均值和均值绝对偏差 (MAD)，这是大多数现实世界网络易于获得的汇总统计量。通过解决优化问题，我们为子图计数、所有可能的子图以及具有共享相同均值和 MAD 的度分布的所有网络提供严格的（尽可能尖锐的）边界。我们将获得紧密边界的极值随机图识别为具有特定三点度分布的图。我们利用边界来获得关于子图数量如何随网络大小增长的稳健尺度定律。尺度定律表明，就子图计数而言，稀疏幂律网络不是最极端的网络，但密集幂律网络是。稳健的界限也被证明适用于几个真实世界的数据集。复杂网络上的疾病。从数据库建模和保护策略建议原文标题： Diseases on complex networks. Modeling from a database and a protection strategy proposal地址： http://arxiv.org/abs/2107.09670作者： Ronald Manríquez, Camilo Guerrero-Nancuante摘要： 网络目前拥有的各种重要应用之一是传染病建模。免疫，或保护网络中节点的过程，在阻止疾病传播方面起着关键作用。因此，拥有能够解决这一挑战的工具或策略的重要性。在这项工作中，我们评估了 DIL-W^alpha 排名在边加权网络中免疫节点的有效性。该网络是从真实数据库中获得的，并使用经典的 SIR 模型对 COVID-19 的传播进行建模。我们根据 DIL-W^alpha 生成的重要性排名列表对网络应用保护。Checkovid：使用网络和内容挖掘视角的Twitter上的COVID-19错误信息检测系统原文标题： Checkovid: A COVID-19 misinformation detection system on Twitter using network and content mining perspectives地址： http://arxiv.org/abs/2107.09768作者： Sajad Dadgar, Mehdi Ghatee摘要： 在 COVID-19 大流行期间，由于社交隔离和隔离，社交媒体平台非常适合进行交流。此外，它是大规模传播错误信息的主要来源，称为信息流行病。因此，自动揭穿错误信息是一个至关重要的问题。为理解决这个问题，我们在 Twitter 上展示了两个与 COVID-19 相关的错误信息数据集，并提出了一个错误信息检测系统，该系统包括基于机器学习算法和 NLP 技术的基于网络和基于内容的过程。在基于网络的过程中，我们关注社交属性、网络特征和用户。另一方面，我们在基于内容的过程中直接使用推文的内容对错误信息进行分类，其中包含文本分类模型（段落级和句子级）和相似性模型。基于网络的过程的评估结果显示人工神经网络模型的最佳结果，F1 分数为 88.68%。在基于内容的过程中，我们新颖的相似性模型获得了 90.26% 的 F1 分数，与基于网络的模型相比，错误信息分类结果有所改善。此外，在文本分类模型中，使用stacking ensemble-learning模型取得了最好的结果，获得了95.18%的F1分数。此外，我们在 Constraint@AAAI2021 数据集上测试了基于内容的模型，通过获得 94.38% 的 F1 分数，我们改进了基线结果。最后，我们开发了一个名为 Checkovid 的事实核查网站，该网站使用每个流程从不同角度检测 COVID-19 领域中的错误信息和信息性声明。通过出口和走廊逃离群体的微观动力学原文标题： Microscopic dynamics of escaping groups through an exit and a corridor地址： http://arxiv.org/abs/2107.09796作者： Eric A. Rozan, Guillermo A. Frank, Fernando E. Cornes, Ignacio M. Sticco, Claudio O. Dorso摘要： 本研究探讨了在社会群体存在的情况下紧急疏散的动态。调查是在基本社会力量模型（SFM）的背景下进行的。我们将属于同一社会群体的人们之间的吸引力纳入其中，如 Int. J. 国防部物理。 C 27(6),1-16。我们专注于通过紧急出口和走廊逃生的动态。我们确认了 Int 中出现的结果。 J. 国防部物理。 C 27(6),1-16 对于 4 m/s 的期望速度，但进一步将紧急出口的分析扩展到 1-8 m/s 的范围。我们注意到群体的存在会恶化疏散性能。然而，非常强烈的感情可以改善中度感情的逃避时间。我们称这种现象为“越近越快”，类似于“越快越慢”效应。社会群体的存在也会通过在移动的人群中引入额外的减速来影响走廊内的动态。优化联系人跟踪中的操作顺序原文标题： Optimizing the order of actions in contact tracing地址： http://arxiv.org/abs/2107.09803作者： Michela Meister, Jon Kleinberg摘要： 接触者追踪是管理 HIV、结核病和 COVID-19 等流行病的关键工具。由人类接触追踪者进行的手动调查仍然是执行此操作的主要方式。此过程受到可用接触者追踪器数量的限制，在爆发或流行期间，这些追踪器通常负担过重。因此，任何联系人跟踪策略中的一个关键决定是，给定一组联系人，跟踪器接下来应该跟踪哪个人？在这项工作中，我们开发了一个正式模型来阐明这些问题并提供一个框架来比较接触者追踪策略。通过分析我们的模型，我们通过与运筹学中称为“分支bandit”的工具的干净连接，给出了可证明的最佳优先级策略。检查这些策略可以定性地理解联系人跟踪应用程序中的权衡。关于短期 COVID-19 死亡率预测的准确性原文标题： On the accuracy of short-term COVID-19 fatality forecasts地址： http://arxiv.org/abs/2107.09891作者： Nino Antulov-Fantulin, Lucas Böttcher摘要： 预测新病例、住院和疾病引起的死亡是传染病监测的重要组成部分，有助于指导卫生官员实施有效的对策。对于美国的疾病监测，疾病控制和预防中心 (CDC) 将这些数字的 65 多个单独预测组合在国家和州级别的集合预测中。我们收集了 CDC 对美国 COVID-19 死亡人数的整体预测数据，并将其与易于解释的“欧拉”预测进行比较，该预测作为无模型基准，仅基于发病率曲线的本地变化率.术语“欧拉方法”是由同名的数值积分方案激发的，该方案根据当前变化率计算未来时间步长的函数值。我们的结果表明，CDC 集合预测并不比“欧拉”在一周的短期预测范围内预测更准确。然而，CDC 集合预测在更长的预测范围内表现出更好的表现。使用当前的发病率变化率作为未来发病率变化的估计值对于短时间范围内的流行病预测很有用。与其他预测方法相比，所提出的方法的一个优点是它可以通过非常有限的工作量来实现，并且不依赖于额外的数据（例如，人员流动和接触模式）和高性能计算系统。COVID-19 病例/死亡人数增加对针对政府的不文明推文数量的影响原文标题： The impact of increasing COVID-19 cases/deaths on the number of uncivil tweets directed at governments地址： http://arxiv.org/abs/2107.10041作者： Kohei Nishi摘要： 通过 Twitter 等社交媒体进行的政治表达已经成为一种政治参与形式。然而，人们在社交媒体上发出什么样的政治信息以及他们在什么情况下这样做还不太清楚。这项研究认为，当政府政策表现恶化时，人们会生气或沮丧，并向政府发出不文明的信息。为了验证这一理论，目前的研究使用神经网络机器学习模型将针对美国各州州长的推文分类为不文明或不文明，并检查了州级 COVID-19 指标恶化对针对美国州长的不文明推文数量的影响州长。结果表明，不断增加的州级 COVID-19 病例和死亡人数导致针对州长的不文明推文数量增加。这表明人们通过投票以外的行动来评估政府的表现。一种在集群网络上模拟复杂传染的多类型分支过程方法原文标题： A multi-type branching process method for modelling complex contagion on clustered networks地址： http://arxiv.org/abs/2107.10134作者： Leah A. Keating, James P. Gleeson, David J.P. O’Sullivan摘要： 复杂的传染采用动态的特点是一个节点在多个网络邻居采用后更有可能采用。我们展示了如何构建多类型分支过程，以通过基于集团的聚类来近似网络上复杂的传染采用动态。这涉及通过不同类别的集团模体跟踪级联的演变，这些集团模体解释了不同数量的活动节点、非活动节点和已删除节点。这种描述允许进行广泛的蒙特卡罗模拟（比基于网络的模拟更快）、级联大小的准确分析计算、关键行为的确定和其他感兴趣的数量。在线阴谋讨论社区中表征社会想象和不和谐的自我披露原文标题： Characterizing Social Imaginaries and Self-Disclosures of Dissonance in Online Conspiracy Discussion Communities地址： http://arxiv.org/abs/2107.10204作者： Shruti Phadke, Mattia Samory, Tanushree Mitra摘要： 在线讨论平台提供了一个论坛来加强和传播对错误阴谋论的信念。然而，它们也为阴谋论者提供了表达他们对认知失调的怀疑和经历的途径。这种不和谐的表达可能会揭示谁在什么情况下放弃了被误导的信念。本文描述了关于 QAnon 不和谐的自我披露，这是一种由神秘领袖 Q 发起并被其追随者推广的阴谋论，是阴谋论子版块中的匿名者。为了理解阴谋社区中的不和谐和怀疑意味着什么，我们首先描述他们的社会想象，对人们如何集体想象他们的社会存在的广泛理解。关注来自 4chan 和 8chan 两个图像板的 2K 帖子，以及来自 12 个专门用于 QAnon 的 subreddit 的 120 万条评论和帖子，我们采用混合方法来揭示代表运动、期望、做法、英雄和敌人的符号语言QAnon 社区。我们使用这些社会想象来创建一个计算框架，以将信念和不和谐与关于 QAnon 的一般讨论区分开来。此外，通过分析用户与 QAnon 阴谋子版块的互动，我们发现不和谐的自我披露与用户贡献的显著减少相关，并最终与他们离开社区相关。我们提供了一个计算框架，用于识别不和谐的自我披露并衡量围绕不和谐的用户参与度的变化。我们的工作可以提供有关设计基于不和谐的干预措施的见解，这些干预措施可能会劝阻在线阴谋讨论社区的阴谋论者。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
本文出自快速备案，转载时请注明出处及相应链接。
