在Google迁移数据中使用偏微分方程对亚利桑那州的COVID-19进行建模;轻度社会隔离背景下COVID-19期间的人员流动性：对技术干预的启示;带有保护隐私的联系人跟踪功能的Social Distancing 2.0避免了第二波COVID-19;用于遏制COVID-19传播的优化锁定策略：南非案例研究;COVID-19的宏观经济SIR模型;污染因素对塞内加尔COVID-19演化的影响;对抗学习用于知识图谱嵌入去偏;基于聚集和拓扑特征的有监督机器学习链路预测;使用节点嵌入和机器学习来近似网络中心性度量;基于主体的跨学科相互作用的模型;在线动态网络嵌入;混合Logit模型和网络形成;在拥挤而复杂的环境中重新构想运输;量子决策理论中的演化过程;管理拥挤的博物馆：游客流量的度量、分析、建模和优化;我称之为BS：众筹活动中的欺诈检测;移动链路预测：知识图谱的自动创建和基于人群的验证;现实高压电网中发电波动下的主要控制努力;图神经网络用于图聚类;逆势而上：管理影响博客吸引力的主体视角;在Google迁移数据中使用偏微分方程对亚利桑那州的COVID-19进行建模

原文标题： Using Partial Differential Equation with Google Mobility Data to Model COVID-19 in Arizona

地址：

作者： Haiyan Wang, Nao Yamamoto

摘要： COVID-19的爆发破坏了世界上许多人的生活。美国亚利桑那州已成为该国最新的COVID-19热点之一。对COVID-19病例的准确预测将有助于政府实施必要的措施，并说服更多的人采取个人预防措施来对抗这种病毒。由于涉及许多人为因素，因此很难准确预测COVID-19病例。本文旨在借助Google Community Mobility Reports中的人类活动数据为COVID-19病例提供预测模型。为了实现这个目标，开发了一个特定的偏微分方程（PDE），并使用了美国亚利桑那州县级《纽约时报》的COVID-19数据进行了验证。拟议的模型描述了跨界扩散的综合影响在亚利桑那州的县级集群和人类活跃分子之间传播COVID-19。结果表明，该模型的预测精度是可以接受的（高于94％）。此外，我们研究了人类预防措施的有效性，例如戴着口罩和在地方一级减少COVID-19病例时进行社会疏远。本地化的分析结果可用于帮助减缓亚利桑那州COVID-19的扩散。据我们所知，这项工作是首次尝试通过Google社区移动报告将PDE模型应用于COVID-19预测。

轻度社会隔离背景下COVID-19期间的人员流动性：对技术干预的启示

原文标题： Human Mobility during COVID-19 in the Context of Mild Social Distancing: Implications for Technological Interventions

地址：

作者： Myeong Lee, Seongkyu Lee, Seonghoon Kim, Noseong Park

摘要： COVID-19大流行给我们的社会带来了有形和无形的损害。许多研究人员研究了其对在实施强大的社会疏离措施（如在家中使用的订单）的国家所产生的社会影响。其中，由于人们的流动性对平坦化曲线的重要性，因此对其进行了广泛的研究。但是，在轻度的社会距离背景下，尚未积极研究流动性。对在各种情况下的人员流动的理解不足，可能对缓解这种情况的任何技术干预措施的影响有限。为此，我们收集了一个数据集，该数据集由韩国第三大城市的每日超过100万的智能设备用户组成，该城市已实施了温和的社会疏远政策。我们从地理，社会经济和社会政治角度分析了COVID-19如何塑造城市中的人口流动性。我们还研究了兴趣点和特殊场合（例如交通车站和立法选举的情况）的出行变化。通过这些分析，我们确定了人口的类型，以此为技术干预提供设计意义。本文通过对人员流动的深入分析为社会科学做出了贡献，并为CSCW社区带来了新的设计挑战和潜在影响。

带有保护隐私的联系人跟踪功能的Social Distancing 2.0避免了第二波COVID-19

原文标题： Social Distancing 2.0 with Privacy-Preserving Contact Tracing to Avoid a Second Wave of COVID-19

地址：

作者： Yu-Chen Ho, Yi-Hsuan Chen, Shen-Hua Hung, Chien-Hao Huang, Poga Po, Chung-Hsi Chan, Di-Kai Yang, Yi-Chin Tu, Tyng-Luh Liu, Chi-Tai Fang

摘要： 重新开放经济后如何避免第二波COVID-19是一个紧迫的问题。 SARS-CoV-2的极高的基本再生数 R_0 （在新研究中显示为5.7至6.4）使这一挑战更加复杂。在这里，我们评估了社交距离2.0的效果，即接近警报（以保持人与人之间的距离）加上隐私保护的联系人跟踪。为了解决双重任务，我们开发了一个开源移动应用程序。该应用程序使用基于蓝牙的分散式联系人跟踪平台，该平台无法通过政府或第三方链接匿名用户ID。建模结果表明，采用社交距离2.0的50％的采用率以及具有隐私保护的联系人跟踪功能，足以将 R_0 减少到小于1，并防止COVID-19流行病再次发生。

用于遏制COVID-19传播的优化锁定策略：南非案例研究

原文标题： Optimized lockdown strategies for curbing the spread of COVID-19: A South African case study

地址：

作者： Laurentz E. Olivier, Stefan Botha, Ian K. Craig

摘要： 为了遏制COVID-19的传播，世界上许多国家的政府都实施了严格程度不同的分级锁定。当疾病传播时，锁定水平通常会增加，而当疾病消退时，锁定水平会降低。预测控制方法用于开发优化的锁定策略，以抑制COVID-19的扩散。然后将这些策略应用于南非数据。由于确诊的传染病数量似乎尚未达到峰值（在撰写本文时），南非案件引起了人们的直接关注，与此同时，南非政府正忙于减少封锁的程度。以前已经开发了一种用于南非的COVID-19传播的流行病学模型，并将其与混合模型预测控制器结合使用，以优化不同政策情况下的锁定管理。所考虑的方案包括如何将曲线平整到医疗保健系统可以应付的水平，如何平衡生活和生计，以及人口对锁定措施的依从性对COVID-19传播的影响。

COVID-19的宏观经济SIR模型

原文标题： A Macroeconomic SIR Model for COVID-19

地址：

作者： Erhan Bayraktar, Asaf Cohen, April Nellis

摘要： 当前的COVID-19大流行以及随后的封锁都凸显了一个国家的公共卫生与经济卫生之间的密切而微妙的关系。因此，使用预先存在的流行病模型来计算疾病爆发的影响的宏观经济模型对于寻求评估这种危机中最佳行动方案的决策者非常有用。我们开发了COVID-19大流行的SIR模型，该模型明确考虑了畜群免疫力，与行为有关的传播速率，远程工作人员以及锁定的间接外部性。该模型被表示为出口时间控制问题，当人口自然或通过疫苗获得牛群免疫力时，封锁就结束了。一位社会规划人员针对成人的两个不同部分分别规定了锁定级别：低风险（20-64岁）和高风险（65岁以上）。这些级别是通过优化目标函数确定的，该函数将宏观经济成本分配给锁定级别和死亡人数。我们发现，通过在达到牛群免疫力后结束锁定，高风险个体能够在疫苗到来之前显著退出锁定，而不会导致死亡率的大幅增加。此外，如果我们结合了行为相关的传播速率，该速率代表了随着感染水平的提高而增加的个人警惕性，那么输出损失和总死亡率都会降低。当低风险和高风险个体之间的交互较少时，锁定效率会进一步提高，而远程工作的增加会减少输出损失。总体而言，我们的模型预测，锁定会在牛群免疫力到来时结束，再加上个人减慢病毒传播的行动，可以将总死亡率降低到非锁定水平的三分之一，同时允许高风险个体退出锁定疫苗到货之前。

污染因素对塞内加尔COVID-19演化的影响

原文标题： Impact of contamination factors on the COVID-19 evolution in Senegal

地址：

作者： Vieux Medoune Ndiaye, Serigne Omar Sarr, Babacar Mbaye Ndiaye

摘要： 在本文中，我们对南撒哈拉国家（热区），塞内加尔（西非）之一进行了COVID-19分析。许多问题仍未解决：为什么非洲大陆与其他大陆相比没有受到严重污染。分析污染因素时要考虑交叉免疫，温度，人口密度，青年等因素。进行了数值模拟，以预测下周的情况。

对抗学习用于知识图谱嵌入去偏

原文标题： Adversarial Learning for Debiasing Knowledge Graph Embeddings

地址：

作者： Mario Arduini, Lorenzo Noci, Federico Pirovano, Ce Zhang, Yash Raj Shrestha, Bibek Paudel

摘要： 知识图谱（KG）在学术界和工业界都越来越受到关注。尽管它们具有多种好处，但最近的研究已经确定了从幼稚园学到的表征中嵌入的社会和文化偏见。随着幼稚园的应用开始与社会领域相交和互动，这种偏见可能对不同的人口和少数群体产生不利影响。本文旨在识别和缓解知识图（KG）嵌入中的此类偏差。第一步，我们探索流行度偏差-节点流行度和链路预测准确性之间的关系。在node2vec图嵌入的情况下，我们发现嵌入的预测精度与节点的度数负相关。但是，在知识图嵌入（KGE）的情况下，我们观察到相反的趋势。第二步，我们探索KGE中的性别偏见，对流行的KGE算法的仔细检查表明，可以从嵌入中预测出诸如人的性别之类的敏感属性。这意味着流行的KG中的此类偏差已被嵌入的结构属性所捕获。作为消除KG偏差的一种初步解决方案，我们引入了一种新颖的框架来过滤KG嵌入中的敏感属性信息，我们将其称为FAN（过滤对抗网络）。我们还建议使用FAN来消除其他网络嵌入的偏差，这可以在以后的工作中进行探讨。

基于聚集和拓扑特征的有监督机器学习链路预测

原文标题： Link Prediction Using Supervised Machine Learning based on Aggregated and Topological Features

地址：

作者： Mohammad G. Raeini

摘要： 链路预测是社会网络分析中的重要任务。社会网络中可以用于链路预测的特征（功能）不同。在本文中，我们使用监督学习评估聚合特征和拓扑特征在链路预测中的有效性。社会网络中的聚合功能是节点属性的某些聚合功能。拓扑特征描述了社会网络的拓扑或结构及其底层图。我们通过测量不同的监督机器学习方法的性能来评估这些功能的有效性。具体来说，我们选择了五种著名的监督方法，包括J48决策树，多层感知器（MLP），支持向量机（SVM），逻辑回归和朴素贝叶斯（NB）。我们使用DBLP数据集的不同功能集测量了这五种方法的性能。我们的结果表明，聚合和拓扑特征的组合可产生最佳性能。为了进行评估，我们使用了准确性，ROC曲线下的面积（AUC）和F量度。我们选择的功能可以用于几乎任何社会网络的分析。这是因为这些功能提供了社会网络基础图的重要特征。我们工作的意义在于所选功能在分析大型社会网络时非常有效。在这样的网络中，我们通常处理具有数百万或数十亿个实例的大数据集。使用更少但更有效的功能可以帮助我们分析大型社会网络。

使用节点嵌入和机器学习来近似网络中心性度量

原文标题： Approximating Network Centrality Measures Using Node Embedding and Machine Learning

地址：

作者： Matheus R. F. Mendonça, André M. S. Barreto, Artur Ziviani

摘要： 由于当今网络规模庞大，因此从现实世界的复杂网络中分析和提取有用信息已成为一项关键挑战。例如，取决于预期的节点中心性，由于高的计算成本，对于如此大的复杂网络进行计算变得不可行。解决此问题的一种方法是开发能够逼近网络中心性的快速方法。在本文中，我们提出了一种能够使用神经网络和节点嵌入技术有效地逼近大型网络的节点中心的方法。因此，我们将我们的方法称为使用图卷积网络（NCA-GCN）模型的网络中心性近似值。与最近的相关工作相比，NCA-GCN模型仅需要每个节点的度中心性即可预测任何其他中心性。我们表明，对于不同的网络规模，NCA-GCN模型在不同的节点中心都可以很好地工作。

基于主体的跨学科相互作用的模型

原文标题： An agent-based model of interdisciplinary interactions in science

地址：

作者： Juste Raimbault

摘要： 人们强调指出，科学项目中越来越多的跨学科性对于应对复杂的现实世界挑战至关重要，同时也有利于学科自身的发展。本文介绍了基于知识主体的跨学科关系中知识发现企业的跨学科关系模型，以研究科学家级决策和偏好对全球跨学科模式的影响。在单个研究人员项目管理的简单规则（例如投资时间开销和知识收益之间的权衡）的假设下，模型仿真表明，单个选择会影响非线性学科深度和学科交叉程度之间折衷点的分布方式。就全球跨学科而言，协作网络的不同结构也可能产生各种结果。我们得出的结论是，独立于研究领域，研究的组织，尤其是纵向研究和横向研究之间的局部平衡，已经影响了研究结果的最终定位和知识前沿的程度。这建议直接应用研究政策，并从下至上利用学科之间的相互作用。

在线动态网络嵌入

原文标题： Online Dynamic Network Embedding

地址：

作者： Haiwei Huang, Jinlong Li, Huimin He, Huanhuan Chen

摘要： 网络嵌入是用于网络数据的非常重要的方法。但是，大多数算法只能处理静态网络。在本文中，我们提出了一种用于处理动态网络的递归神经网络嵌入算法（RNNE），该算法通常可以分为两类：a）拓扑演化图，其节点和边随时间的增加（减少）； b）含时图，其边包含时间信息。为了应对动态网络规模的变化，RNNE将未连接任何其他节点的虚拟节点添加到网络中，并在新节点到达时替换该虚拟节点，以便可以在不同时间统一网络规模。一方面，RNNE关注节点之间的直接链接以及两个节点的邻域结构之间的相似性，试图保留本地和全局网络结构。另一方面，RNNE通过传输先前的嵌入信息来减少噪声的影响。因此，RNNE可以同时考虑网络的静态和动态特性。我们在五个网络上评估RNNE，并与几种最新算法进行比较。结果表明，RNNE在重建，分类和链路预测方面具有优于其他算法的优势。

混合Logit模型和网络形成

原文标题： Mixed Logit Models and Network Formation

地址：

作者： Harsh Gupta, Mason A. Porter

摘要： 网络形成的研究遍及经济学，社会学和许多其他领域。在本文中，我们将网络形成建模为网络中节点连接到其他节点所做出的选择''。我们使用离散选择模型研究这些选择’’，其中主体在两个或多个离散选择之间进行选择。研究网络形成的一种框架是多项式logit（MNL）模型。我们重点说明了基于经验数据构建的网络上MNL模型的局限性。我们采用``重复选择’’（RC）模型来研究网络形成 cite TrainRevelt97mixedlogit。我们认为，RC模型克服了MNL模型的重要局限性，非常适合研究网络的形成。我们还将说明如何使用RC模型来使用合成网络和实际网络准确地研究网络的形成。使用综合网络，我们还比较了MNL模型和RC模型的性能；我们发现RC模型比MNL模型更准确地估计了合成网络的数据生成过程。我们提供了一些定性有趣的问题的示例-青少年友谊网络中存在同质性，以及新专利更有可能引用较老的，引用更多的和类似的专利的事实-RC模型使我们能够实现见解。

在拥挤而复杂的环境中重新构想运输

原文标题： Reconceptualising transport in crowded and complex environments

地址：

作者： Daniel B. Wilson, Francis G. Woodhouse, Matthew J. Simpson, Ruth E. Baker

摘要： 从城市和建筑物中的行人交通到电池内的大分子运动和电池中的离子交换，可以在许多时空尺度上观察到拥挤，复杂环境中的运输现象。环境中的几何限制可能会阻碍个人的活动，并且加上个人之间的拥挤，可能会对全球运输行为产生巨大影响。但是，总体上，对拥挤与几何形状之间的相互作用了解得很少。预测拥挤运输过程行为的现有技术将复杂环境近似为高维网格，并使用计算能力强的模型，这些模型缺乏揭示几何形状和拥挤对运输的功能影响的能力。在这里，我们采用复杂环境的网络表示形式，并提供了一个有效的基础框架，可以在其中探索几何和拥挤的组合作用。得出了拥挤的，联网的运输的多种模型，这些模型能够在整个人口或其中一个人的层面上提取详细信息。理论和数值分析相结合，可以确定环境的关键拓扑特征，这些特征可以准确预测时间和空间传输统计数据，并深入了解最佳网络的设计。我们的方法适用于各种科学领域的运输过程，绕过离散化的传统计算难题，并在几何形状，拥挤和运输之间建立了统一的联系。

量子决策理论中的演化过程

原文标题： Evolutionary Processes in Quantum Decision Theory

地址：

作者： V.I. Yukalov

摘要： 这篇综述介绍了量子决策理论的基础，重点是决策中的临时过程。目的是解释该理论的要点。阐明了选择之间的可操作性检验的理性选择与由非理性感觉修饰的选择之间的区别。强调量子经典对应。描述了一种量子智能网络模型。动态不一致被证明在量子决策理论的框架内得以解决。

管理拥挤的博物馆：游客流量的度量、分析、建模和优化

原文标题： Managing Crowded Museums: Visitors Flow Measurement, Analysis, Modeling, and Optimization

地址：

作者： Pietro Centorrino, Alessandro Corbetta, Emiliano Cristiani, Elia Onofri

摘要： 我们对拥挤的博物馆中的游客流量进行了全面研究：拉格朗日实地测量和统计分析的结合使我们能够创建随机的数字双胞胎游客动态，解锁舒适性和安全性驱动的优化方案。我们的案例研究是在罗马（意大利）的博尔盖塞美术馆（Galleria Borghese）博物馆，我们在其中进行了真实的数据采集活动。我们特别采用了基于拉格朗日基于IoT的访客跟踪系统，该系统基于Raspberry Pi接收器，在整个博物馆房间内固定放置，并使用移交给访客的便携式蓝牙低功耗信标。得益于两种算法：基于滑动窗口的统计分析和MLP神经网络，我们对信标RSSI进行了过滤，并在房间范围内准确地重建了访客轨迹。通过基于原始的类似Wasserstein的轨迹空间度量的聚类分析，我们分析访问者的路径以获得行为见解，包括最常见的流程模式。在这些基础上，我们建立了转移矩阵，该转移矩阵以概率描述了房间规模的访客流量。这样的矩阵是能够在计算机上生成访客轨迹的随机模型的基石。我们通过使用模拟器来增加每日访问者的数量，同时遵守众多的物流和安全约束。这要归功于优化的票务和新的进/出管理。

我称之为BS：众筹活动中的欺诈检测

原文标题： I call BS: Fraud Detection in Crowdfunding Campaigns

地址：

作者： Beatrice Perez, Sara R. Machado, Jerone T. A. Andrews, Nicolas Kourtellis

摘要： 在过去几年中，对基于慈善的众筹环境的捐款一直在增加。毫不奇怪，此类平台中的欺骗和欺诈行为也有所增加，但尚未进行深入研究以了解哪些特征可以暴露此类行为并允许其自动检测和阻止。实际上，众筹平台是通常对每个服务中发起的活动进行监督的唯一平台。但是，他们没有得到适当的激励来打击用户及其发起的活动中的欺诈行为：一方面，平台的收入与交易数量成正比（因为平台每次捐赠收取固定金额）；另一方面，如果平台在欺诈行为方面是透明的，则可能会阻止潜在的捐助者参与。在本文中，我们迈出了第一步，研究众筹活动中的欺诈行为。我们分析从不同众筹平台收集的数据，并注释700个活动是否为欺诈。我们计算各种文本和基于图像的功能，并研究它们的分布以及它们如何与竞选欺诈相关联。使用这些属性，我们构建了机器学习分类器，并表明仅使用发布时广告系列说明中提供的功能（即，使用没有用户或金钱活动），这使我们的方法适用于在用户浏览器上进行实时操作。

移动链路预测：知识图谱的自动创建和基于人群的验证

原文标题： Mobile Link Prediction: Automated Creation and Crowd-sourced Validation of Knowledge Graphs

地址：

作者： Mark Christopher Ballandies, Evangelos Pournaras

摘要： 为网络物理社会系统（CPSS）建立可信赖的知识图谱是一个挑战。特别地，当前依靠人类专家的方法具有有限的可扩展性，而自动化方法通常不对用户负责，从而导致质量问题的知识图。本文介绍了一种新颖的普及知识图构建器，该构建器将自动化，专家和众包市民的知识整合在一起。知识图通过使用遗传程序的自动链路预测来增长，该遗传程序已被人类验证以提高透明度和校准精度。知识图构建器专为智能手机等普及型设备而设计，并通过本地化所有计算来保护隐私。知识图构建器的准确性，实用性和可用性在涉及智能手机实现和智能城市应用场景的真实社会实验中进行了评估。所提出的知识图构建方法在准确性方面优于基线方法，同时证明了它在智能手机上的高效计算以及在高交互吞吐量方面遍历人类监督过程的可行性。这些发现为智能城市中的物理网络社会系统的众包推理系统提供了新的机会。

现实高压电网中发电波动下的主要控制努力

原文标题： Primary Control Effort under Fluctuating Power Generation in Realistic High-Voltage Power Networks

地址：

作者： Melvyn Tyloo, Philippe Jacquod

摘要： 电力系统控制方面的许多最新工作已经通过外部干扰下的整体性能指标研究了它们的同步性。该方法的灵感来自电网运行的根本变化，尤其是用新的可再生电能替代传统的发电厂。这种替代将同时增加发电量的波动并减少可用的机械惯性。了解这两种演变将如何严重影响电网稳定性至关重要。除极少数例外（大多数为数字例外）外，早期有关性能指标的工作不得不依赖于网格均质性的不切实际的假设。在这里，我们表明，在与电网的固有时间尺度相比较长的时间尺度上发生干扰的情况下，改进的谱分解可以解决非均匀电网中的问题。我们特别发现，具有较长特征时间的干扰所产生的瞬态偏移的大小与惯性无关。对于大陆型高压电网，这对应于几秒钟或更长时间的时间尺度上相关的功率波动。我们得出的结论是，由新的可再生能源引起的功率波动本身将不需要部署额外的旋转惯性。我们用IEEE 118-Bus测试用例和欧洲大陆同步网格模型对结果进行数值说明。

图神经网络用于图聚类

原文标题： Graph Clustering with Graph Neural Networks

地址：

作者： Anton Tsitsulin, John Palowitch, Bryan Perozzi, Emmanuel Müller

摘要： 图神经网络（GNN）在许多图分析任务（例如节点分类和链路预测）上都取得了最新的成果。然而，事实证明，图上的重要无监督问题（例如图聚类）更能抵抗GNN的发展。在本文中，我们研究了基于聚类能力的GNN池的无监督训练。我们首先绘制图聚类和图池之间的联系：直观地讲，良好的图聚类就是人们对GNN池层的期望。与直觉相反，我们表明对于最先进的合并方法（例如MinCut合并），情况并非如此。为了解决这些缺陷，我们引入了深度模块化网络（DMoN），这是一种不受监督的池化方法，其灵感来自于聚类质量的模块化度量，并展示了其如何解决现实世界中具有挑战性的聚类结构的恢复。为了阐明现有方法失败的情况，我们精心设计了一组针对合成数据的实验，这些实验表明DMoN能够共同利用图结构和节点属性中的信号。同样，在现实世界的数据上，我们显示DMoN产生了高质量的群集，这些群集与地面真相标签紧密相关，从而获得了最新的结果。

逆势而上：管理影响博客吸引力的主体视角

原文标题： Bucking the Trend: An Agentive Perspective of Managerial Influence on Blogs Attractiveness

地址：

作者： Carlos Denner dos Santos, Isadora Castro, George Kuk, Silvia Onoyama, Marina Moreira

摘要： 博客管理对于工作数字化至关重要。但是，现有的理论倾向于侧重于环境影响，而不是微观层面上对博客吸引力的管理控制。本研究通过博客作者使用其博客内容来定位和利用其在Blogosphere的结构网络位置的方式，对博客作者施加的适应性行为进行了有益的描述。我们整理了165位博客撰写关于经济学的博客的个人特征，然后分析了他们维护博客内容的方式。我们使用网络分析和单项逻辑回归来测试我们的模型预测。我们的发现表明，与吸引力较弱的博客相比，关注同伴内容以保持网络位置的博客作者吸引了更高水平的博客流量。这种主体视角为如何在博客管理中逆转节点首选项提供了实用见解。我们通过讨论对理论和未来研究的贡献来结束本文。

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。