包含公众行为和政府行为的COVID-19流行病学模型的非线性动态分析;SEIR流行病模型的渐近近似解析解;锁定是否达到了目的？;通过神经网络平均场动力学进行网络扩散;具有综合住户调整方法的人口微观模拟模型;等距图神经网络;具有时变功能的网络的宏观和微观特征，用于评估应对外部扰动的恢复力;在社交媒体上调节算法过滤;利用预测的力量：针对延迟敏感的移动边计算的预测服务放置;基于推文的数据集用于公司级股票收益预测;NNC：图上动力系统的神经网络控制;多样的策略身份在演化博弈中诱发动力学状态;聚类扩散重排;STAD：交通时差的时空估计的时空调整;增量无损图汇总;国家赞助的巨魔是否塑造了美国总统选举的讨论？量化Twitter的影响;GCC：用于图神经网络预训练的图对比编码;关系社会数据的比例选择模型;基于移动设备位置数据的数据驱动出行方式份额估计框架;包含公众行为和政府行为的COVID-19流行病学模型的非线性动态分析

原文标题： Nonlinear dynamic analysis of an epidemiological model for COVID-19 including public behavior and government action

地址：

作者： C. A. K. Kwuimy, Foad Nazari, Xun Jiao, Pejman Rohani, C. Nataraj

摘要： 本文涉及目前正在肆虐地球的COVID-19大流行的非线性建模和分析。有两个目标：建立一个合适的模型，如实地捕获所收集的数据，并以此为基础探索非线性行为。我们使用非线性SEIR（敏感，暴露，传染和清除）传输模型，并增加了行为和政府政策动态。我们开发了一种遗传算法技术，以利用来自韩国的COVID19数据来识别关键模型参数。分析了稳定性，分叉和动态行为。参数分析揭示了持续流行病均衡发生的条件。这项工作指出了大流行建模中非线性动态分析的价值，并证明了社会和政府行为对疾病动态的巨大影响。

SEIR流行病模型的渐近近似解析解

原文标题： Analytic solution of the SEIR epidemic model via asymptotic approximant

地址：

作者： Steven J. Weinstein, Morgan S. Holland, Kelly E. Rogers, Nathaniel S. Barlow

摘要： 获得了针对SEIR流行病模型的解析解。通过在ln（S）中构建单个二阶非线性微分方程并分析地继续其发散幂级数解，以使其与流行模型的正确的长期指数阻尼相匹配，来创建该解决方案。这可以通过渐进近似（Barlow et al。，2017，Q.Jl Mech.Appl.Math，70（1），21-48）来实现，其形式为包含该阻尼的改进的对称Pade近似。通过将分析形式应用于COVID-19大流行证明了其实用性。

锁定是否达到了目的？

原文标题： Did lockdowns serve their purpose?

地址：

作者： Serena Bradde, Benedetta Cerruti, Jean-Philippe Bouchaud

摘要： 我们表明，一旦选择了时间起点作为锁定的开始，则在不同国家中因Covid导致的死亡人数动态在很大程度上是普遍的，并且死亡人数由死亡总数重新定标锁定后，它本身就是锁定开始时感染数量的主体。当按总人口进行归一化时，这种曲线倒塌的说服力要差得多。瑞典采用无锁定，轻触式的方法，是唯一与平均行为大不相同的异常值。我们认为，这些无模型的发现为锁定在减轻病毒致死性方面的有效性提供了有力的支持。

通过神经网络平均场动力学进行网络扩散

原文标题： Network Diffusions via Neural Mean-Field Dynamics

地址：

作者： Shushan He, Hongyuan Zha, Xiaojing Ye

摘要： 我们提出了一种基于神经平均场动力学的新颖学习框架，用于网络扩散的推理和估计问题。我们的新框架是从Mori-Zwanzig形式主义派生而来的，以获得节点感染概率的精确演化，从而形成了具有可学习时间卷积算子近似的存储积分的延迟微分方程，从而形成了高度结构化且可解释的RNN。我们的框架直接使用级联数据，可以共同了解扩散网络的结构和感染概率的演变，这是重要的下游应用（如影响最大化）的基础。还建立了参数学习与最佳控制之间的联系。实证研究表明，我们的方法对于基础扩散网络模型的变体是通用的，并且健壮，并且在合成和真实数据上的准确性和效率均明显优于现有方法。

具有综合住户调整方法的人口微观模拟模型

原文标题： A demographic microsimulation model with an integrated household alignment method

地址：

作者： Amarin Siripanich, Taha Rashidi

摘要： 许多动态微观模拟模型已经显示出它们能够使用基于非数据的家庭形成和解散规则合理地预测详细的人口和家庭。尽管这些规则允许建模人员简化住户结构的变更，但通常在复制住户预测或如果追溯地应用所观察到的住户数量方面均达不到要求。因此，这种对家庭规模和其他与家庭有关的属性进行有偏估计的模型在诸如旅行需求和住房需求建模等对家庭规模敏感的应用中失去了实用性。尽管如此，这些人口微观模拟模型及其相关的缺点通常被用于评估各种规划政策，这些政策可能导致误导性判断。在本文中，我们通过引入针对不同生活事件的完全集成的模型系统，为人口微观模拟的文献做出贡献，其中家庭调整方法会调整家庭规模分布，使其与任何给定的目标分布紧密匹配。此外，可以包括一些通常难以建模的人口统计事件，例如将移民家庭纳入人群。我们以家庭对齐方法为例，并在我们使用dymiumCore开发的动态微观仿真模型中进行了测试，该模型是R中的通用微观仿真工具包，以显示该方法的潜在改进和缺点。该模型的实现已在GitHub上公开提供。

等距图神经网络

原文标题： Isometric Graph Neural Networks

地址：

作者： Matthew Walker, Bo Yan, Yiou Xiao, Yafei Wang, Ayan Acharya

摘要： 如果那些表示忠实于图中节点之间的距离，那么依赖于图中节点表示的许多任务将受益。提取此类表示的几何技术在较大的图尺寸上尺度比例较差，并且图神经网络（GNN）算法的最新进展在反射图距离信息超出一级邻域方面的能力有限。为了实现这种高度期望的功能，我们提出了一种学习等距图神经网络（IGNN）的技术，该技术需要更改输入表示空间和损失函数，以使任何GNN算法都能生成反映节点之间距离的表示。我们在几种GNN架构上使用等距技术进行实验，以对多个数据集的多个预测任务进行建模。在这些实验中，除了AUC-ROC的改善高达 43 ％，我们还观察到Kendall’s Tau（KT）的持续且实质性的改善高达400％，这是一种直接反映距离信息的指标，表明学习的嵌入确实说明了图的距离。

具有时变功能的网络的宏观和微观特征，用于评估应对外部扰动的恢复力

原文标题： Macroscopic and Microscopic Characteristics of Networks with Time-variant Functionality for Evaluating Resilience to External Perturbations

地址：

作者： Xinyu Gao, Shangjia Dong, Ali Mostafavi, Jianxi Gao

摘要： 现实世界中的物理，社交和工程网络的时变功能知识对于理解面对外部干扰的网络的弹性至关重要。但是，大多数现有研究仅关注于弹性评估网络的拓扑特性，而网络的拓扑特性并未完全捕捉其动态弹性。在这项研究中，我们基于链接的功能状态和拓扑来评估和量化网络的弹性。我们提出了三种独立的度量标准-故障尺度指数（FSI），加权程度尺度指数（WDSI）和链路功能不规则指数（LFII）-可以捕获网络的宏观，微观和时间性能特征。因此，集成的通用弹性（GR）度量用于评估具有时变功能的网络中的性能损失和恢复速度。我们使用高分辨率数据集测试了提出的方法，该方法在德克萨斯哈里斯飓风期间使用德克萨斯州哈里斯县的城市洪水环境下的城市洪水影响下的交通网络，该数据集包含每5分钟20,000条道路的时速，为期5个月。我们的结果表明，洪泛期间流量网络中具有干扰功能的链路权重和节点加权度遵循无标度分布。因此，提出的三种措施可以捕获网络的清晰弹性曲线并确定链路的不规则性。因此，网络性能度量和弹性量化方法揭示了对网络性能损失和恢复速度的了解，这表明在面对诸如城市洪水之类的外部干扰时，网络弹性可能得到改善。

在社交媒体上调节算法过滤

原文标题： Regulating algorithmic filtering on social media

地址：

作者： Sarah H. Cen, Devavrat Shah

摘要： 通过内容的算法过滤（AF），社交媒体平台（SMP）可以影响用户的感知和行为。由于关键的社会，法律和财务考虑，试图调节AF的负面影响的尝试通常很难通过或执行。在这项工作中，我们通过提出一个统一的框架来解决这个多方面的问题，该框架考虑了AF监管（或自我监管）的主要利益相关者。我们用数学方法对这个框架进行形式化，使用它来构建一个满足几个重要标准的数据驱动的，统计上合理的监管程序。首先，通过设计，它可以减轻自动对焦对用户学习的影响。第二，它具有在线治理的理想属性，包括规范性和用户驱动性。第三，通过说明线性动力系统中的调节程序，我们证明它可以使社会和金融利益保持一致，这通常是矛盾的。具体而言，我们确定了在哪些条件下该法规对SMP的奖励（例如利润）施加了较低的费用，并激励SMP增加内容的多样性。我们提供了说明性的模拟。

利用预测的力量：针对延迟敏感的移动边计算的预测服务放置

原文标题： Leveraging the Power of Prediction: Predictive Service Placement for Latency-Sensitive Mobile Edge Computing

地址：

作者： Huirong Ma, Zhi Zhou, Xu Chen

摘要： 移动边计算（MEC）正在涌现，以在移动网络边支持对延迟敏感的5G应用。当用户在多个MEC节点之间不规律地移动时，就出现了如何动态迁移其服务以维持服务性能（即，用户感知的延迟）的挑战。但是，频繁的服务迁移会显著增加运营成本，从而导致性能提高和成本降低之间的冲突。为了解决这些错位的目标，本文研究了在长期成本预算约束下的移动边服务部署的性能优化。这是具有挑战性的，因为预算涉及未来的不确定信息（例如，用户移动性）。为了克服这一困难，我们致力于利用预测的力量，并通过预测的近期信息来倡导预测性的服务部署。通过使用两个时间尺度的Lyapunov优化方法，我们提出了一种T时隙预测服务放置（PSP）算法，该算法将基于帧设计的用户移动性预测纳入其中。从理论上讲，我们通过成本延迟权衡来表征PSP的性能界限。此外，我们针对每个帧中的队列提出了一种新的权重调整方案，称为PSP-WU，以利用历史队列信息，这可以大大减少队列长度，同时提高用户感知的等待时间的质量。严格的理论分析和使用实际数据轨迹进行的广泛评估证明了所提出的预测方案的优越性能。

基于推文的数据集用于公司级股票收益预测

原文标题： A Tweet-based Dataset for Company-Level Stock Return Prediction

地址：

作者： Karolina Sowinska, Pranava Madhyastha

摘要： 舆论影响事件，尤其是与股票市场变动有关的事件，其中隐含的暗示会影响市场的本地结果。在本文中，我们提供了一个数据集，该数据集允许公司级别分析基于推文的一日，二日，三日和七日股票收益的影响。我们的数据集包含来自Twitter的862个，231个英语标记实例，还向社区发布了85个，176个标记实例的清理子集。我们还使用标准的机器学习算法和使用多种类型功能的基于多视图学习的方法来提供基准。我们的数据集，脚本和模型可在以下位置公开获得：https：//github.com/ImperialNLP/stockreturnpred。

NNC：图上动力系统的神经网络控制

原文标题： NNC: Neural-Network Control of Dynamical Systems on Graphs

地址：

作者： Thomas Asikis, Lucas Böttcher, Nino Antulov-Fantulin

摘要： 我们研究了神经网络控制或控制图上动力学系统轨迹的能力。尤其是，我们引入了一个神经网络控制（NNC）框架，该框架通过神经普通不同方程式（神经ODE）表示动态系统，并发现NNC可以学习将网络动态系统驱动到所需目标状态的控制信号。为了确定不同目标状态对NNC性能的影响，我们研究了两种控制类型：（i）微观控制和（ii）宏观控制。微观控制将当前状态和目标状态之间的L2范数最小化，宏观控制将相应的Wasserstein距离最小化。我们发现，提出的NNC框架产生的低能量控制信号与最佳控制的信号高度相关。我们的结果对于广泛的图结构和（非线性）动力学系统是可靠的。

多样的策略身份在演化博弈中诱发动力学状态

原文标题： Diverse strategic identities induce dynamical states in evolutionary games

地址：

作者： I. Sendiña-Nadal, I. Leyva, M. Perc, D. Papo, M. Jusup, Z. Wang, J.A. Almendral, P. Manshour, S. Boccaletti

摘要： 演化博弈为我们社会生活的许多方面提供了理论支柱：从合作到犯罪，从无所作为到疫苗接种和流行病传播不完善，从抗生素过度使用到生物多样性保护。现实的一个重要方面（迄今为止被忽视）是个人的多样化战略身份。虽然对所有交互伙伴都采用相同的策略可能是更简单的生活形式的可接受假设，但这无法解释更复杂的生物的行为。例如，我们人类在不同人周围的行为不同。在这里，我们表明，允许个人与不同的伙伴采取不同的策略会产生非常丰富的演化动力，包括合作和叛逃的时间依赖性共存，主导策略在全系统范围内的转变以及个人选择的成熟。我们的结果对于网络类型和规模的变化以及策略更新规则具有鲁棒性。因此，在社交博弈的数学建模中，考虑各种战略身份具有深远的意义。

聚类扩散重排

原文标题： Cluster Diffusing Shuffles

地址：

作者： Kevin Su

摘要： 诸如Fisher-Yates混洗之类的无偏混排算法通常用于媒体播放器中的混排播放。这些算法将平等对待所有项目，而不管项目之间的相似程度如何。尽管这对于许多应用程序可能是理想的，但是由于群集错觉，这对于随机播放是有问题的，这是人类错误地认为随机分布采样可能导致的“条纹”或“簇”是非随机的。本文试图通过称为簇扩散（CD）混洗的有偏差混洗算法家族解决这一问题，该算法基于无序的超均匀系统，例如鸡眼中视锥细胞的分布，重原子核的能级，特征值分布各种类型的随机矩阵，以及许多出现在各种生物学，化学，物理和数学环境中的矩阵。这些系统可在较大的长度范围内抑制密度波动，而不会像格子一样出现有序排列，使其非常适合随机播放。 CD随机播放的范围从基于随机矩阵的随机播放需要 O（n ^ 3）时间和 O（n ^ 2）空间到更有效的近似值需要 O（n）时间和 O（n） 空间。

STAD：交通时差的时空估计的时空调整

原文标题： STAD: Spatio-Temporal Adjustment of Traffic-Oblivious Travel-Time Estimation

地址：

作者： Sofiane Abbar, Rade Stanojevic, Mohamed Mokbel

摘要： 行程时间估计是现代交通应用中的重要组成部分。行驶时间估计的最新技术使用GPS轨迹来学习通常被建模为有向图的道路网络的权重，然后应用类似Dijkstra的算法来找到最短路径。然后，将行程时间计算为返回路径上边权重的总和。为了实现时间依赖性，现有系统计算对应于不同时间窗口的多个加权图。这些图通常先离线进行优化，然后再部署到生产路由引擎中，这会导致大量的工程开销。在本文中，我们介绍了STAD，该系统可以即时调整以起点，目的地和出发时间表示的任何旅行请求的旅行时间估计。 STAD使用机器学习和稀疏旅行数据来学习任何基本路由引擎的不完善之处，然后将其转变为功能完善的与时间相关的系统，该系统可以根据城市的实际交通状况调整出行时间。 STAD通过将空间特征（例如出发地和目的地地理区域）与时间特征（例如出发时间和日期）相结合来利用交通的时空特性，从而显著改善基本路由引擎的行驶时间估计。来自多哈，纽约市和波尔图的实际旅行数据集的实验表明，前两个城市的中位数绝对误差降低了14％，而后两个城市则降低了29％。我们还表明，在所有三个城市中，STAD的表现均优于不同的商业和研究基准。

增量无损图汇总

原文标题： Incremental Lossless Graph Summarization

地址：

作者： Jihoon Ko, Yunbum Kook, Kijung Shin

摘要： 给定一个完全动态的图，表示为边插入和删除的流，我们如何获取并增量更新其当前快照的无损摘要？由于大规模图是普遍存在的，因此简洁地表示它们对于有效的存储和分析是不可避免的。无损图摘要是一种具有许多理想属性的有效图压缩技术。它旨在将输入图紧凑地表示为（a）由超节点（即，节点集）和超边（即，超节点之间的边）组成的摘要图，它们提供了粗略的描述，以及（b）修正了错误的边校正由粗略的描述引起。虽然已经开发了许多适合于静态图的批处理算法来进行快速而紧凑的图汇总，但它们在动态图的时间和空间方面效率非常低，而这在实践中是很常见的。在这项工作中，我们提出了MoSSo，这是用于全动态图的无损汇总的第一个增量算法。响应输入图中的每个更改，MoSSo通过在超级节点之间重复移动节点来更新输出表示。 MoSSo基于一些新颖的想法，谨慎而迅速地决定了要移动的节点及其目的地。通过在10个真实图上进行的广泛实验，我们证明MoSSo具有以下优点：（a）快速且“任何时间”：在接近恒定的时间（小于0.1毫秒）内处理每个更改，比运行状态快7个数量级。 （b）可扩展：汇总具有数亿条边的图，在此过程中需要亚线性存储；以及（c）有效：达到与最新的批处理方法相当的压缩率。

国家赞助的巨魔是否塑造了美国总统选举的讨论？量化Twitter的影响

原文标题： Did State-sponsored Trolls Shape the US Presidential Election Discourse? Quantifying Influence on Twitter

地址：

作者： Nikos Salamanos, Michael J. Jensen, Xinlei He, Yang Chen, Costas Iordanou, Michael Sirivianos

摘要： 在2016年美国总统大选期间，由国家资助的Twitter帐户在运作，这是一个广为接受的事实，传播了数百万条带有错误信息和煽动性政治内容的推文。这些所谓“巨魔”账户的社交媒体运动是否能够操纵公众舆论，仍是一个问题。在这里，我们旨在通过分析来自990万用户（包括822个troll帐户）的1.525亿条推文来量化troll帐户对Twitter的影响。美国大选期间收集的数据包含原始的巨魔推文。根据这些数据，我们构建了一个非常大的交互图。 930万个节点和1.699亿条边的有向图。最近，Twitter发布了有关与俄罗斯，伊朗和委内瑞拉相关的8,275个国家资助的帐户的错误信息宣传活动的数据集。这些数据用作我们数据集中巨魔用户的真实标识符。使用图分析技术以及博弈论的中心度度量，我们可以量化所有Twitter帐户（真实用户和巨魔）对总体信息交换的影响，这由转推级联定义。然后，我们提供了所有Twitter帐户的全球影响力排名，我们发现在前1000名中只有四个巨魔帐户出现，在前100名中只有一个。这与其他发现一起提供了证据，证明真实的用户是网络中病毒传播和影响力的驱动力。

GCC：用于图神经网络预训练的图对比编码

原文标题： GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training

地址：

作者： Jiezhong Qiu, Qibin Chen, Yuxiao Dong, Jing Zhang, Hongxia Yang, Ming Ding, Kuansan Wang, Jie Tang

摘要： 图表示学习已成为解决实际问题的强大技术。下游的各种图学习任务已从其最近的发展中受益，例如节点分类，相似性搜索，图分类和链路预测。但是，关于图表示学习的现有技术集中于特定领域的问题，并为每个图训练专用模型，该模型通常不可转移到域外数据。受自然语言处理和计算机视觉的预训练最新进展的启发，我们设计了图对比编码（GCC）（一种无监督的图表示学习框架），以捕获跨多个网络的通用网络拓扑特性。我们将GCC的预训练任务设计为网络内和跨网络的子图级实例判别，并利用对比学习来赋予模型学习内在的和可传递的结构表示的能力。我们对三个图学习任务和十个图数据集进行了广泛的实验。结果表明，在各种数据集上进行预训练的GCC相对于从头开始的特定任务，可以达到竞争或更好的性能。这表明预训练和微调范例为图表示学习提供了巨大的潜力。

关系社会数据的比例选择模型

原文标题： Scaling Choice Models of Relational Social Data

地址：

作者： Jan Overgoor, George Pakapol Supaniratisai, Johan Ugander

摘要： 通过将网络数据建模为一系列相关事件，然后利用结果模型进行预测，可以解决社会网络上从建议到异常检测的许多预测问题。离散选择的有条件logit模型是一种自然的方法，可以在包围和扩展许多长期研究的网络形成模型的框架中将关系事件建模为“选择”。条件对数模型很简单，但是它特别吸引人，因为它允许通过负采样实现有效的一致似然最大化，而对于混合对数模型和许多其他更丰富的模型而言，情况并非如此。负采样的价值特别明显，因为关系数据中的选择集通常很大。考虑到否定采样的重要性，在这项工作中，我们为混合Logit模型（称为“去混合”）引入了一种模型简化技术，即网络形成的标准混合模型，尤其是混合了本地和全局链路形成的模型，重新配置为在不相交的选择集上操作其模式。这种重新制定将混合logit模型简化为有条件logit模型，为否定采样打开了大门，同时还通过最大程度地提高了混合模型的可能性来规避其他标准挑战。为了进一步提高可扩展性，我们还研究了重要性采样以更有效地选择否定样本，发现它可以大大加快标准模型和混合模型的推理速度。在一起，这些步骤使在非常大的图中更真实地建模网络形成成为可能。我们将说明在已知基础事实的综合数据集以及Venmo平台上的大型公共交易数据集方面进行改进的相对收益。

基于移动设备位置数据的数据驱动出行方式份额估计框架

原文标题： A Data-Driven Travel Mode Share Estimation Framework based on Mobile Device Location Data

地址：

作者： Mofeng Yang, Yixuan Pan, Aref Darzi, Sepehr Ghader, Chenfeng Xiong, Lei Zhang

摘要： 移动设备位置数据（MDLD）包含丰富的旅行行为信息，以支持旅行需求分析。与传统旅行调查相比，MDLD的时空覆盖人口和流动性更大。但是，默认情况下不包括诸如旅行起点和目的地，旅行模式和旅行目的之类的地面真实信息。必须估算此类重要属性，以最大程度地利用数据。本文倾向于研究MDLD在总体水平上估计出行方式份额的能力。提出了一种数据驱动的框架来从MDLD中提取出行行为信息。所提出的框架首先使用经修改的基于时空密度的基于噪声的应用程序空间聚类（ST-DBSCAN）算法来标识行程终点。然后，使用机器学习模型为每次旅行提取三种类型的特征，以估算旅行模式。带有地面实况信息的带标签的MDLD数据集用于训练建议的模型，从而在使用随机森林（ RF）分类器。然后，将提议的框架应用于两个大型MDLD数据集，分别覆盖了巴尔的摩-华盛顿都会区和美国。将估计的出行距离，出行时间，出行率分布和出行方式份额与不同地区的出行调查进行比较。结果表明，所提出的框架可以很容易地以较低的成本应用于不同的州和大都市地区，以研究多式联运的需求，了解出行趋势和支持决策。

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。