网站建设的论文（Arxiv网络科学论文摘要9篇）

揭示社会网络中的局部隐藏社区结构;超图上社会传染模型的多稳定性、间歇性和混合转换;使用一致性正则化改进图神经网络的训练;时不时的通信：分析作为通信网络的书信;边PageRank：公理化特征;随机有界置信意见动态：意见偏离多远？;第三方域名生态系统的拓扑和几何;用于多模态数据分析的基于流体扩散模型的图表示：理论方面和增强的社区检测;混合成员零分布模型;揭示社会网络中的局部隐藏社区结构原文标题： Uncovering the Local Hidden Community Structure in Social Networks地址： http://arxiv.org/abs/2112.04100作者： Meng Wang, Boyu Li, Kun He, John E. Hopcroft摘要： 隐藏社区是最近为社会网络分析提出的一个有用的概念。为了应对网络规模的快速增长，在这项工作中，我们从局部角度探索隐藏社区的检测，并提出了一种新方法，该方法在从原始网络采样的子图上迭代地检测和提升每一层。我们首先基于我们修改的局部谱方法从单个种子节点扩展种子集，并检测初始的主导局部社区。然后我们暂时移除这个社区的成员以及它们与其他节点的连接，并检测剩余子图中的所有邻域社区，包括一些仅包含原始网络中一小部分成员的“破碎社区”。当地社区和邻里社区形成一个主导层，通过减少这些社区内部的边权重，我们削弱了这一层的结构以揭示隐藏层。最终，我们重复整个过程，并且可以迭代地检测和提升包含种子节点的所有社区。我们从理论上表明，我们的方法可以避免某些情况，即在子图中将破碎社区和本地社区视为一个社区，从而导致全局隐藏社区检测方法可能导致的检测不准确。大量实验表明，我们的方法可以显著优于为全局隐藏社区检测或多个本地社区检测而设计的最先进基线。超图上社会传染模型的多稳定性、间歇性和混合转换原文标题： Multistability, intermittency and hybrid transitions in social contagion models on hypergraphs地址： http://arxiv.org/abs/2112.04273作者： Guilherme Ferraz de Arruda, Giovanni Petri, Pablo Martín Rodriguez, Yamir Moreno摘要： 尽管无处不在，但个人群体的交互（例如，现代消息传递应用程序、小组会议，甚至议会讨论）尚未得到彻底研究。通常，单个群体被建模为临界质量动态，这是一个广泛使用的概念，不仅被学术界使用，也被政治家和媒体使用。然而，较少探索的问题是一组群体的行为方式以及这些群体之间的交集可能如何改变全球动态。在这里，我们根据超图上的二元状态动态来制定这个过程。我们展示了我们的模型具有非常丰富且出乎意料的行为，超越了不连续的转换。特别是，由于双峰状态分布，我们可能具有多重稳定性和间歇性。通过使用人工随机模型，我们证明了这种现象可能与社区结构有关。具体来说，我们可以通过控制不同密度的两个社区之间的桥梁数量来实现多重稳定性或间歇性。桥的引入破坏了多重稳定性，但会产生间歇性行为。此外，我们提供了一个分析公式，表明观察到的有序参数和磁化率模式与混合相变兼容。我们的发现为研究开辟了新的途径，从物理学，对感兴趣的数量的正式计算，到社会科学，在那里可以设计新的实验。使用一致性正则化改进图神经网络的训练原文标题： Improving the Training of Graph Neural Networks with Consistency Regularization地址： http://arxiv.org/abs/2112.04319作者： Chenhui Zhang, Yufei He, Yukuo Cen, Zhenyu Hou, Jie Tang摘要： 图神经网络 (GNN) 在半监督学习场景中取得了显著的成功。图神经网络中的消息传递机制帮助未标记的节点从其标记的邻居那里收集监督信号。在这项工作中，我们研究了一致性正则化（一种广泛采用的半监督学习方法）如何帮助提高图神经网络的性能。我们重新审视了图神经网络的两种一致性正则化方法。一种是简单一致性正则化（SCR），另一种是平均教师一致性正则化（MCR）。我们将一致性正则化方法与两个最先进的 GNN 相结合，并在 ogbn-products 数据集上进行实验。通过一致性正则化，无论有没有外部数据，在开放图基准（OGB）的 ogbn-products 数据集上，最先进的 GNN 的性能都可以提高 0.3%。时不时的通信：分析作为通信网络的书信原文标题： Communication Now and Then: Analyzing the Republic of Letters as a Communication Network地址： http://arxiv.org/abs/2112.04336作者： Javier Ureña-Carrion, Petri Leskinen, Jouni Tuominen, Charles van den Heuvel, Eero Hyvönen, Mikko Kivelä摘要： 最近使用来自数字通信（例如电子邮件和电话）的大量自动记录的数据集，在理解人类交流模式及其发生的潜在社会网络方面取得了巨大进步。然而，尚不清楚这些关于人类行为的结果在多大程度上是当代通信技术和文化的产物，以及通信的基本模式是否随着历史发生了变化。本文对历史书信元数据进行了分析，目的是将潜在的历史传播模式与当代传播模式进行比较。我们的工作使用了一个新的书信数据集，其中包含 16 至 19 世纪之间发送的超过 15 万封信件的元数据。分析表明当代和书信体通信网络模式之间存在惊人的相似之处，包括二元交互和自我层面的行为。尽管有这些积极的发现，但字母数据集的某些方面不足以证实这些通信网络的其他相似之处或不同之处。边PageRank：公理化特征原文标题： PageRank for Edges: Axiomatic Characterization地址： http://arxiv.org/abs/2112.04339作者： Natalia Kucharczuk, Tomasz Was, Oskar Skibski摘要： 边中心性度量是评估边在网络中的重要性的函数。它们可用于评估反向链接对网站受欢迎程度的作用以及航班在病毒传播中的重要性。各种节点中心性已被转换为适用于边，包括边介数中心性、特征边（特征向量中心性的边版本）和边 PageRank。在本文中，我们开始讨论边中心性度量的公理性质。我们通过提出 Edge PageRank 的公理表征来做到这一点。我们的表征是文献中任何边中心性度量的第一个表征。随机有界置信意见动态：意见偏离多远？原文标题： Stochastic Bounded Confidence Opinion Dynamics: How Far Apart Do Opinions Drift?地址： http://arxiv.org/abs/2112.04373作者： Sushmitha Shree S, Kishore G V, Avhishek Chatterjee, Krishna Jagannathan摘要： 在这个快速和大规模意见形成的时代，对意见演变的数学理解，即意见动态，尤为重要。基于线性图的动态和有界置信动态是社会网络中两种最流行的意见动态模型。最近，随机有界置信意见动态被提出作为一个通用框架，它结合了这些动态作为特殊情况，并刻画了现实生活社会交流中固有的随机性和噪声（错误）。尽管这些动态非常普遍和现实，但与其他意见动态模型相比，它们的分析特别具有挑战性。这是因为这些动力学是非线性和随机的，属于具有渐近零漂移和无界跳跃的马尔可夫过程类。这些动力学的渐近行为在先前的工作中得到了表征。然而，它们并没有阐明它们的有限时间行为，这在实践中通常很有趣。我们通过分析双智能体系统的有限时间行为朝这个方向迈进了一大步，这是理解多智能体动力学的基础。特别是，我们表明，在导致动态渐近稳定性的条件下，两个主体之间的意见差异很好地集中在零附近。第三方域名生态系统的拓扑和几何原文标题： Topology and Geometry of the Third-Party Domains Ecosystem地址： http://arxiv.org/abs/2112.04381作者： Costas Iordanou, Fragkiskos Papadopoulos摘要： 多年来，Web 内容已从托管在单个服务器上的简单文本和静态图像发展为托管在不同服务器上的复杂、交互式和多媒体内容。因此，现代网站在加载期间不仅从其所有者的域中获取内容，还从提供附加功能和服务的一系列第三方域中获取内容。在这里，我们通过观察来自全球各地的用户浏览器中域的交互来推断第三方域的网络。我们发现该网络具有在自然界和社会中其他复杂网络中常见的结构特性，例如幂律度分布、强聚类和小世界特性。这些属性意味着双曲几何是生态系统拓扑的基础，我们使用统计推断方法来找到该几何中的域坐标，这抽象了域的流行度和相似度。我们获得的双曲线图是有意义的，它揭示了有争议的服务和以前没有被揭示过的社会网络之间的合作。此外，该地图还可以促进应用程序，例如预测第三方域在同一物理机上共同托管，以及公司收购方面的合并。仅通过观察用户浏览器中的域交互无法做出此类预测。用于多模态数据分析的基于流体扩散模型的图表示：理论方面和增强的社区检测原文标题： A graph representation based on fluid diffusion model for multimodal data analysis: theoretical aspects and enhanced community detection地址： http://arxiv.org/abs/2112.04388作者： Andrea Marinoni, Christian Jutten, Mark Girolami摘要： 通过图结构表示数据是在多个数据分析应用程序中提取信息的最有效方法之一。在调查多模态数据集时尤其如此，因为考虑并探索了通过不同传感策略收集的记录。然而，经典的图信号处理基于根据热扩散机制配置的信息传播模型。该系统对可能对多模态数据分析无效的数据属性提供了一些约束和假设，尤其是在考虑从异构来源收集的大规模数据集时，结果的准确性和稳健性可能会受到严重危害。在本文中，我们介绍了一种基于流体扩散的图定义新模型。所提出的方法提高了基于图的数据分析的能力，以考虑操作场景中现代数据分析的几个问题，从而为精确、通用和有效地理解被检查记录的潜在现象提供一个平台，并充分利用记录的多样性所提供的潜力，以获得对数据及其重要性的彻底表征。在这项工作中，我们将注意力集中在使用这种流体扩散模型来驱动社区检测方案，即将多模态数据集以无监督的方式根据节点之间的相似性分成许多组。通过在不同应用场景中测试真实多模态数据集所获得的实验结果表明，我们的方法能够在多模态数据分析中明显优于最先进的社区检测方案。混合成员零分布模型原文标题： Mixed Membership Distribution-Free model地址： http://arxiv.org/abs/2112.04389作者： Huan Qing摘要： 我们考虑检测混合成员权加权网络的潜在社区信息的问题，其中节点具有混合成员资格并且节点之间连接的边可以是有限实数。我们针对这个问题提出了一个通用的混合成员无分布模型。该模型没有边的分布约束，只有期望值，可以看作是一些先前模型的推广。我们使用有效的谱算法来估计模型下的社区成员资格。我们还使用精细的谱分析推导出了该模型下所提出算法的收敛速度。我们展示了混合成员无分布模型的优势，当边遵循不同的分布时，它可以应用于小规模的模拟网络。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。