怎么引用arxiv上面的文章：Arxiv网络科学论文摘要10篇 2022-10-07
怎么引用arxiv上面的文章：Arxiv网络科学论文摘要10篇 2022-10-07原文标题： Hub-aware Random Walk Graph Embedding Methods for Classification摘要： 大规模的社会网络被认为通过放大人们的偏见而助长了两极分化。然而，这些技术的复杂性使得难以确定负责的机制并评估缓解策略。在这里，我们在受控的实验室条件下表明，通过社会网络进行的信息传输会放大简单感知决策任务的动机偏见。一项大型行为实验的参与者显示，当社会网络的一部分相对于非社交参与者时，在 40 个独立发展的人群中，有偏见的决策率增加。利用机器学习和贝叶斯统计技术，我们确定了对内容选择算法的简单调整，预计可以减轻偏差放大。该算法从个人网络中生成一个视角样本，该样本更能代表整个人口。在第二个大型实验中，这种策略减少了偏差放大，同时保持了信息共享的好处。原文标题： Bias amplification in experimental social n
- 单细胞数据中信号选择的多尺度方法;
- 通过重采样减少实验性社会网络中的偏差放大;
- 用于分类的考虑中心的随机游走图嵌入方法;
- 影响最大化：分而治之;
- 大规模综合图数据集生成框架;
- 具有高阶结构的图混合模式;
- 香农熵：加密货币投资组合的经济物理学方法;
- 社区作为模糊算子：社区检测算法的关键启发式的认识论问题;
- 揭示图对比学习中的结构公平性;
- 三态意见模型的均衡与动态;
原文标题： Multiscale methods for signal selection in single-cell data
地址： http://arxiv.org/abs/2206.07760
作者： Renee S. Hoekzema Lewis Marsh Otto Sumray Thomas M. Carroll Xin Lu Helen M. Byrne Heather A. Harrington
摘要： 单细胞转录组学的分析通常依赖于对细胞进行聚类，然后执行差异基因表达 (DGE) 来识别在这些簇之间变化的基因。这些离散分析成功地确定了细胞类型和标记；然而，可能无法检测到细胞类型内和细胞类型之间的连续变化。我们提出了三种拓扑驱动的无监督特征选择数学方法，这些方法同时在多个尺度上考虑离散和连续的转录模式。 Eigenscores (texteig_i) 使用拉普拉斯图的谱分解，根据它们与数据中低频固有模式的对应关系对信号或基因进行排名。多尺度拉普拉斯评分 (MLS) 是一种无监督方法，用于定位数据中的相关尺度并选择在这些各自尺度上连贯表达的基因。持久瑞利商 (PRQ) 采用配备过滤的数据，允许在分叉过程（例如，伪时间）中分离具有不同作用的基因。我们通过将它们应用于已发布的单细胞转录组学数据集来展示这些技术的实用性。这些方法验证了先前确定的基因并检测具有连贯表达模式的其他具有生物学意义的基因。通过研究基因信号与底层空间几何之间的相互作用，这三种方法给出了基因的多维排序和它们之间的关系的可视化。
通过重采样减少实验性社会网络中的偏差放大原文标题： Bias amplification in experimental social networks is reduced by resampling
地址： http://arxiv.org/abs/2208.07261
作者： Mathew D. Hardy Bill D. Thompson P.M. Krafft Thomas L. Griffiths
摘要： 大规模的社会网络被认为通过放大人们的偏见而助长了两极分化。然而，这些技术的复杂性使得难以确定负责的机制并评估缓解策略。在这里，我们在受控的实验室条件下表明，通过社会网络进行的信息传输会放大简单感知决策任务的动机偏见。一项大型行为实验的参与者显示，当社会网络的一部分相对于非社交参与者时，在 40 个独立发展的人群中，有偏见的决策率增加。利用机器学习和贝叶斯统计技术，我们确定了对内容选择算法的简单调整，预计可以减轻偏差放大。该算法从个人网络中生成一个视角样本，该样本更能代表整个人口。在第二个大型实验中，这种策略减少了偏差放大，同时保持了信息共享的好处。
用于分类的考虑中心的随机游走图嵌入方法原文标题： Hub-aware Random Walk Graph Embedding Methods for Classification
地址： http://arxiv.org/abs/2209.07603
作者： Aleksandar Tomčić Miloš Savić Miloš Radovanović
摘要： 在过去的二十年中，我们目睹了以图或网络形式构建的有价值的大数据的巨大增长。要将传统的机器学习和数据分析技术应用于此类数据，有必要将图转换为基于向量的表示，以保留图最基本的结构属性。为此，文献中提出了大量的图嵌入方法。它们中的大多数产生适用于各种应用的通用嵌入，例如节点聚类、节点分类、图可视化和链路预测。在本文中，我们提出了两种新的基于随机游走的图嵌入算法，专门针对节点分类问题而设计。所提出算法的随机游走采样策略旨在特别关注集线器——在大规模图中对整体连通性具有最关键作用的高度节点。通过分析在现实世界网络的嵌入上训练的三种分类算法的分类性能，对所提出的方法进行了实验评估。获得的结果表明，与目前最流行的用于生成通用图嵌入的随机游走方法（node2vec）相比，我们的方法大大提高了检查分类器的预测能力。
影响最大化：分而治之原文标题： Influence Maximization: Divide and Conquer
地址： http://arxiv.org/abs/2210.01203
作者： Siddharth Patwardhan Filippo Radicchi Santo Fortunato
摘要： 影响最大化问题，即找到对网络具有最大影响的节点集，对于一些应用程序来说非常重要。在过去的二十年里，已经提出了许多发现影响者的启发式指标。在这里，我们介绍了一个框架来提高任何此类指标的性能。该框架包括将网络划分为影响的部门，然后选择这些部门中最有影响力的节点。我们探索了三种不同的方法来查找网络中的扇区：图分区、图双曲线嵌入和社区结构。该框架通过对真实和合成网络的系统分析进行了验证。我们表明，在选择有影响的扩展器之前将网络划分为多个扇区所产生的性能增益随着网络的模块化和异质性的增加而增加。此外，我们证明了将网络划分为扇区可以在随网络大小线性尺度的时间内有效地执行，从而使该框架适用于大规模影响最大化问题。
大规模综合图数据集生成框架原文标题： A Framework for Large Scale Synthetic Graph Dataset Generation
地址： http://arxiv.org/abs/2210.01944
作者： Sajad Darabi Piotr Bigaj Dawid Majchrowski Pawel Morkisz Alex Fit-Florea
摘要： 最近，人们越来越关注为许多图分析任务开发和部署深度图学习算法，例如节点和边分类、链路预测以及具有大量实际应用（例如欺诈检测、药物发现或推荐系统）的聚类。尽管公开可用的图结构数据集数量有限，但与具有数万亿条边和数十亿个节点的生产规模的应用程序相比，其中大部分数据集都很小。此外，新算法和模型在具有相似属性的相似数据集上进行了基准测试。在这项工作中，我们通过提出一种可扩展的合成图生成工具来解决这个缺点，该工具可以模仿真实世界图的原始数据分布并将它们尺度到任意大小。然后可以使用该工具从专有数据集中学习一组参数模型，这些模型随后可以发布给研究人员，以研究合成数据上的各种图方法，从而增加原型开发和新应用。最后，图学习算法的性能不仅取决于大小，还取决于数据集的结构。我们展示了我们的框架如何在一组数据集上进行泛化，模仿结构和特征分布以及它在不同数据集大小上的可扩展性。
具有高阶结构的图混合模式原文标题： Mixing patterns in graphs with higher-order structure
地址： http://arxiv.org/abs/2210.02528
作者： Peter Mann Lei Fang Simon Dobson
摘要： 在本文中，我们检查了具有非平凡聚类和基于子图的分类混合的高阶网络的渗透特性（顶点连接到基于子图联合度的其他顶点的趋势）。我们的分析方法基于生成函数。我们还提出了一种蒙特卡洛图生成算法，用于从具有固定统计量的图集合中绘制随机网络。我们使用我们的模型来理解网络微观结构通过聚类的安排对全局属性的影响。最后，我们使用边不相交团覆盖来表示使用我们的公式的经验网络，发现结果模型提供了对基于边的理论的显著改进。
香农熵：加密货币投资组合的经济物理学方法原文标题： Shannon entropy: an econophysical approach to cryptocurrency portfolios
地址： http://arxiv.org/abs/2210.02633
作者： Noe Rodriguez-Rodriguez Octavio Miramontes
摘要： 加密货币市场因其新颖性、广泛的在线可用性、不断增加的资本化和潜在利润而吸引了全球投资者的许多兴趣。在经济物理学传统中，我们展示了许多最可用的加密货币的回报统计数据不遵循高斯分布，而是遵循重尾分布。还应用了熵测度，表明投资组合多样化是降低回报不确定性的合理做法。
社区作为模糊算子：社区检测算法的关键启发式的认识论问题原文标题： Communities as Vague Operators: Epistemological Questions for a Critical Heuristics of Community Detection Algorithms
地址： http://arxiv.org/abs/2210.02753
作者： Dominik Schindler Matthew Fuller
摘要： 在本文中，我们旨在分析网络科学中被称为“社区”的节点和边模式的性质和认知后果。追踪这些是多方面的和矛盾的，我们建议将社区的概念描述为与 Susan Leigh Star 的边界对象概念相关但更松散的“模糊算子”，如提示的集合，并建议构建的能力在符号学、技术和社会方面，既模糊又超精确的不同刻面模式是数字政治和“社区”分析的核心。用从数学和软件研究中得出的术语来处理这些结构，可以更广泛地映射它们的结构。解开网络科学中的不同谱系，然后我们可以将 Michelle Girvan 和 Mark Newman 在 2002 年推广的“社区”的创始帐户置于上下文中。在研究了一种特定的社区检测算法，即所谓的“Louvain 算法”之后，我们评论了与他们的一些比较模棱两可的应用。我们认为，“社区”可以作为一种真正的抽象，具有重塑社会关系的能力，例如在社交网站中产生回声室。为了重新设计社区检测的认识论术语，我们利用网络科学文献中的辩论和命题来想象一种包含偏颇性、认知谦虚、反身性和人工性的“批判性启发式”。
揭示图对比学习中的结构公平性原文标题： Uncovering the Structural Fairness in Graph Contrastive Learning
地址： http://arxiv.org/abs/2210.03011
作者： Ruijia Wang Xiao Wang Chuan Shi Le Song
摘要： 最近的研究表明，图卷积网络（GCN）对于低度节点的性能通常较差，对于现实世界中普遍存在的具有长尾度分布的图表现出所谓的结构不公平性。图对比学习 (GCL) 结合了 GCN 和对比学习的强大功能，已成为一种很有前途的自我监督学习节点表示的方法。协鑫在结构公平方面的表现如何？令人惊讶的是，我们发现通过 GCL 方法获得的表示在程度偏差方面已经比 GCN 学习的更公平。我们从理论上表明，这种公平源于 GCL 的社区内集中和社区间分散特性，导致社区结构非常清晰，以驱使低度节点远离社区边界。基于我们的理论分析，我们进一步设计了一种新的图增强方法，称为 GRAph 度偏差对比学习（GRADE），它将不同的策略应用于低度和高度节点。对各种基准和评估协议的广泛实验验证了所提出方法的有效性。
三态意见模型的均衡与动态原文标题： Equilibrium and dynamics of a three-state opinion model
地址： http://arxiv.org/abs/2210.03054
作者： Irene Ferri Albert Díaz-Guilera Matteo Palassini
摘要： 我们引入了一个三态模型来研究中立党对舆论传播的影响，其中主体人与邻居达成一致的倾向可以调整为偏向中立党或两个相反极化的党派，并且可以被社会激动被模仿为温度。我们使用各种分析方法和蒙特卡罗模拟在不同的基板上研究模型的平衡相图和非平衡随机动力学：全连接 (FC) 图、一维 (1D) 链和 Erd “os-R’enyi (ER) 随机图。我们表明，在平均场近似中，无序相和极化相之间的相界以三临界点为特征。在 FC 图上，在没有社会激动，动力学障碍阻止系统达成最佳共识。在一维链上，主要结果是动态由意见簇的增长控制。最后，对于 ER 集成，类似于 FC 图的相变需要地方，但现在系统能够在低温下达成最佳共识，除非平均连通性低，在这种情况下，动态陷阱是由局部冻结配置产生的。
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。
