当前位置
主页 > 成功案例 >
Arxiv网络科学论文摘要9篇(2020-11-11)
2021-11-09 00:43
本文摘要:主身分聚类方法举行社区检测;F-FADE:频率剖析用于边流中异常检测;COVID-19模型中的数据预测及其在美国、韩国、巴西、印度、俄罗斯和意大利的应用;存在强烈用户偏见的竞争性影响力流传和虚假新闻缓解;在GitHub中获得人气;GitHub问题评论的对话行为分类的迁移学习方法;基于历史拥堵图和共识日识此外交通拥堵和出行时间预测;多重性和多样性:分析完全符号图上相关聚类问题的最优解空间;非个性化推荐中的两面公正;主身分聚类方法举行社区检测原文标题: Community De

pp电子平台

主身分聚类方法举行社区检测;F-FADE:频率剖析用于边流中异常检测;COVID-19模型中的数据预测及其在美国、韩国、巴西、印度、俄罗斯和意大利的应用;存在强烈用户偏见的竞争性影响力流传和虚假新闻缓解;在GitHub中获得人气;GitHub问题评论的对话行为分类的迁移学习方法;基于历史拥堵图和共识日识此外交通拥堵和出行时间预测;多重性和多样性:分析完全符号图上相关聚类问题的最优解空间;非个性化推荐中的两面公正;主身分聚类方法举行社区检测原文标题: Community Detection by Principal Components Clustering Methods地址: http://arxiv.org/abs/2011.04377作者: Huan Qing, Jingli Wang摘要: 基于用于网络社区检测问题的经典度校正随机块模型(DCSBM)模型,我们提出了两种新颖的方法:主身分聚类(PCC)和归一化主身分聚类(NPCC)。由于无需预计任何参数,因此PCC方法易于实现。在温和的条件下,我们显示PCC发生一致的社区检测。

NPCC是基于PCC和RSC方法的组合而设计的(Qin&Rohe 2013)。NPCC的种群分析讲明,对于DCSBM下的理想情况,NPCC返回了理想的聚类。

PCC和NPCC通过合成和真实数据集举行了说明。数值效果讲明,与PCC和RSC相比,NPCC提供了显著的革新。此外,NPCC继续了PCC和RSC的优良特性,因此NPCC对要聚类的特征向量的数量和调整参数的选择不敏感。

当处置惩罚两个弱信号网络Simmons和Caltech时,通过思量一个以上的特征向量举行聚类,我们划分提供了PCC和NPCC的两个革新PCC +和NPCC +。与原始算法相比,这两种革新算法均提供了革新的性能。尤其是,NPCC +在Simmons和Caltech上提供令人满足的性能,错误率划分为121/1137和96/590。

F-FADE:频率剖析用于边流中异常检测原文标题: F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams地址: http://arxiv.org/abs/2011.04723作者: Yen-Yu Chang, Pan Li, Rok Sosic, M. H. Afifi, Marco Schweighauser, Jure Leskovec摘要: 边流通常用于描画动态网络(例如电子邮件,社会网络或盘算机网络)中的交互。检测边流中的异常或稀有事件的问题具有广泛的应用。然而,由于缺乏标签,交互的高度动态性以及网络中时间和结构变化的纠缠,它提出了许多挑战。

当前方法解决上述挑战以及有效处置惩罚大量交互的能力有限。在这里,我们提出F-FADE,这是一种用于检测边流中异常的新方法,它使用一种新颖的频率剖析技术来有效地建模节点对之间交互频率的时间演化漫衍。然后基于视察到的每个传入交互的频率的可能性来确定异常。

F-FADE能够在在线流处置惩罚中处置惩罚随时间和结构变化而引起的种种异常,同时仅需要恒定的内存。我们在一个合成的和六个真实的动态网络上举行的实验讲明,F-FADE可以到达最先进的性能,而且可以检测到以前方法无法找到的异常。COVID-19模型中的数据预测及其在美国、韩国、巴西、印度、俄罗斯和意大利的应用原文标题: The Data Forecast in COVID-19 Model with Applications to US, South Korea, Brazil, India, Russia and Italy地址: http://arxiv.org/abs/2011.04738作者: Bo-Cyuan Lin, Yen-Jia Chen, Yi-Cheng Hung, Chun-sheng Chen, Han-Chun Wang, Jann-Long Chern摘要: 在本文中,我们首先提出SQIARD和SIARD模型,以研究COVID-19在检疫,熏染和无症状熏染下的流传,并讨论各自基本繁殖数 R_0,R_Q 与平衡点稳定性的关系。

模型。其次,在训练了相关的数据参数之后,在数值模拟中,我们划分对美国,韩国,巴西,印度,俄罗斯和意大利的数据举行了预测,并预测了每个国家的盛行情况。

此外,我们应用美国数据将SQIARD与SIARD举行比力,并显示预测的效果。存在强烈用户偏见的竞争性影响力流传和虚假新闻缓解原文标题: Competitive Influence Propagation and Fake News Mitigation in the Presence of Strong User Bias地址: http://arxiv.org/abs/2011.04857作者: Akrati Saxena, Harsh Saxena, Ralucca Gera摘要: 由于社会网络在社交媒体中的广泛作用,人们共享新闻变得容易,而且新闻流传比以往任何时候都快。这些平台也已被使用来共享谣言或虚假信息,这对社会组成威胁。

淘汰伪造信息影响的一种方法是使人们基于硬证据来明白正确的信息。在这项事情中,首先,我们提出一种流传模型,即具有用户偏见的竞争性独立级联模型(CICMB),该模型思量了用户对差别意见,信念或政党的强烈偏见。我们进一步提出一种称为 k-TruthScore 的方法,用于从给定的一组预期真相运动者中识别出一组最佳的真相运动者,以最大水平地淘汰谣言流传者对网络的影响。

我们将 k-TruthScore 与最先进的方法举行比力,并将它们的性能权衡为所生存的节点(在没有真相竞选者的情况下原来会相信假新闻的节点)的百分比。我们在一些真实世界的网络上展示了这些效果,效果讲明 k-TruthScore 方法的性能优于基线方法。

在GitHub中获得人气原文标题: Scoring Popularity in GitHub地址: http://arxiv.org/abs/2011.04865作者: Abduljaleel Al-Rubaye, Gita Sukthankar摘要: 人气和到场度是社交媒体平台的钱币,是使用户保持在线状态的强大增强机制。诸如GitHub之类的社交编码平台具有双重目的:它们是实用的工具,可促进软件开发人员之间的异步,漫衍式协作,同时还支持被动的社交媒体样式交互。在GitHub上有多种“喜欢”内容的机制:1)分叉存储库以复制其内容2)监视存储库以通知更新,以及3)出示表达同意的信息。

本文提出了对GitHub受接待水平的研究,并研究了这三种量化的受接待水平怀抱之间的关系。我们引入了一个基于权重的受接待水平评分(WTPS),该评分是从其他受接待水平指标的历史记载中提取的。

GitHub问题评论的对话行为分类的迁移学习方法原文标题: A Transfer Learning Approach for Dialogue Act Classification of GitHub Issue Comments地址: http://arxiv.org/abs/2011.04867作者: Ayesha Enayet, Gita Sukthankar摘要: 社交接码平台(例如GitHub)充当研究开放源代码软件开发中的协作问题解决方案的实验室;关键功效是他们支持问题陈诉的能力,团队可以使用此能力来讨论任务和想法。如问题评论中所述,分析团队成员之间的对话可以得出有关虚拟团队绩效的重要看法。本文提出了一种对问题评论举行对话行为分类的转移学习方法。

由于不存在带有标签的大型GitHub问题注释语料库,因此接纳转移学习使我们能够使用尺度的对话行为数据集和我们自己的GitHub注释数据集。我们比力了几种单词和句子级别编码模型的性能,包罗单词表现的全局向量(GloVe),通用句子编码器(USE)和来自变压器的双向编码器表现(BERT)。能够将问题评论映射到对话行为,是明白认知团队历程的有用垫脚石。

基于历史拥堵图和共识日识此外交通拥堵和出行时间预测原文标题: Traffic congestion and travel time prediction based on historical congestion maps and identification of consensual days地址: http://arxiv.org/abs/2011.05073作者: Nicolas Chiabaut ‘and” Rémi Faitout摘要: 本文先容了一种用于公路交通状况和行驶时间的实时预计的新的,随时可操作的方法。首先,在举行主身分分析之后,将历史数据集的视察天聚在一起。比力了两种差别的方法:高斯混淆模型和k-means算法。

pp电子

聚类效果讲明,同一组中的日子的拥堵图在交通状况和动态方面具有很大的相似性。这样的舆图是高速公路拥堵流传的二进制可视化,对交通动态更为重视。其次,凭据拥塞图,在每个群集中将共识日确定为社区中最具代表性的一天。第三,从历史数据中获得的此信息用于预测交通拥堵的流传和行驶时间。

因此,使用新一天的首次丈量来确定哪个共识日期最靠近该新一天。然后,将在同意日期记载的已往视察效果用于预测未来的交通状况和旅行时间。

使用在法国高速公路上收集的10个月的数据对该方法举行了测试,效果显示出令人鼓舞的效果。多重性和多样性:分析完全符号图上相关聚类问题的最优解空间原文标题: Multiplicity and Diversity: Analyzing the Optimal Solution Space of the Correlation Clustering Problem on Complete Signed Graphs地址: http://arxiv.org/abs/2011.05196作者: Nejat Arinik (LIA), Rosa Figueiredo, Vincent Labatut摘要: 为了研究现实世界的系统,许多应用作品都通过带符号的图(即边标志为正或负的图)对它们举行建模。如果可以将这样的图划分为多个模块,从而使正(划分为负)边位于模块内部(划分位于其间),则该图在结构上是平衡的。

如果不是这种情况,那么作者会寻找与这种平衡最靠近的分区,这个问题称为“相关性聚类(CC)”。由于CC问题的庞大性,纵然可能存在其他最佳或高评剖析决方案,尺度方法也是找到一个最佳分区并坚持下去。

在这项事情中,我们在合成完整图的荟萃上研究CC问题的最优解的空间。我们凭履历讲明,在某些条件下,有符号图可能有许多最佳分区。其中一些是很是差别的,因此在系统上提供了差别的看法,如一个小的实际图所示。

这是一个重要的效果,因为它表示着可能必须找到CC问题的几个(纵然不是全部)最优解,以便正确地研究所思量的系统。非个性化推荐中的两面公正原文标题: Two-Sided Fairness in Non-Personalised Recommendations地址: http://arxiv.org/abs/2011.05287作者: Aadi Swadipto Mondal, Rakesh Bal, Sayan Sinha, Gourab K Patro摘要: 推荐系统是几个在线平台上使用最广泛的服务之一,可以向最终用户建议潜在的物品。

这些服务通常使用差别的机械学习技术,因此公正性是一个值得关注的因素,尤其是当下游服务具有引起社会结果的能力时。因此,我们重点关注新闻媒体平台上的非个性化(全球)建议(例如,Twitter上的top-k热门话题,新闻平台上的top-k新闻等),我们一起讨论了两个详细的公正性关注点(传统上划分研究)-用户公正和组织公正。只管用户公正捕捉了在全局推荐的情况下代表所有单个用户的选择的想法,可是组织公正试图确保在政治/思想上平衡的推荐集。这使得用户公正性成为用户端需求,而组织公正性则成为平台端需求。

为了提高用户公正性,我们使用社会选择理论的方法举行测试,即种种已知的投票规则可以更好地代表用户选择效果。纵然将投票规则应用到推荐设置中,我们也视察到很高的用户满足度得分。现在出于组织公正性思量,我们提出了一种偏见怀抱尺度,用于权衡推荐的一组项目(文章)的总体意识形态偏见。分析从基于投票规则的推荐中获得的效果,我们发现,虽然众所周知的投票规则从用户角度来看更好,但它们显示出较高的偏见值,显然不适合平台的组织要求。

因此,需要通过凝聚地桥接用户公正和组织公正的思想来建设一种包容机制。在本摘要文件中,我们计划将基本思想与这种机制的要求背后的明确念头联合在一起。声明:Arxiv文章摘要版权归论文原作者所有,机械翻译后由本人举行校正整理,未经同意请勿随意转载。本系列在民众号“网络科学研究速递”(netsci)和小我私家博客举行同步更新。


本文关键词:pp电子,Arxiv,网络,科学,论文,摘要,9篇,2020-11-11,主

本文来源:pp电子-www.bjease.com

联系方式

电话:0933-43699794

传真:0602-77813977

邮箱:admin@bjease.com

地址:云南省红河哈尼族彝族自治州正镶白旗超海大楼139号