县级自适应COVID-19预测模型：分析和改进;使用图论和社交媒体数据评估沿海地区的文化生态系统服务：方法开发和应用;具有策略见解和不结盟的观点扩散软件;具有近似特征值轨迹的谱演化用于链路预测;图原型网络用于属性网络的少量学习;Lumos：用于诊断Web规模应用程序中度量回归的库;增长的无标度单纯形;使用多日行程单数据描绘乘车机动性：以中国北京为例;连续时间基于事件的时间网络的Hawkes边分块模型;多路和相互依赖系统的扩散几何;县级自适应COVID-19预测模型：分析和改进

原文标题： Adaptive County Level COVID-19 Forecast Models: Analysis and Improvement

地址：

作者： Stewart W Doe, Tyler Russell Seekins, David Fitzpatrick, Dawsin Blanchard, Salimeh Yasaei Sekeh

摘要： 准确预测县级COVID-19确诊病例对于优化医疗资源至关重要。由于许多现有的预测技术都是从历史季节趋势中学到的，因此预测正在爆发的疫情构成了特殊的挑战。基于LSTM单元的递归神经网络（RNN）是合理的模型选择，因为它们具有学习时间动态的能力。在本文中，我们应用Wang等人提出的州和县级流感模型TDEFSI-LONLY[l2020]于国家和县级COVID-19数据。我们表明，该模型不能很好地预测当前的大流行。我们结合正则化技术分析了TDEFSI-LONLY模型的两周前的预测能力。 TDEFSI-LONLY模型的有效训练需要数据的增强，为克服这一挑战，我们利用SEIR模型，并对该模型提出了县际混合扩展以模拟足够的训练数据。此外，我们提出了另一种预测模型“县级流行病学推论递归网络”，该模型在国家已确认的病例上训练LSTM主干，以学习低维时间模式，并利用时间分布密集层来学习每个县每天确诊病例变化，为期两周。我们显示，使用CLEIR-Net模型做出的最佳，最差和中位数状态预测分别是纽约，南卡罗来纳州和蒙大拿州。

使用图论和社交媒体数据评估沿海地区的文化生态系统服务：方法开发和应用

原文标题： Using graph theory and social media data to assess cultural ecosystem services in coastal areas: Method development and application

地址：

作者： Ana Ruiz-Frau, Andres Ospina-Alvarez, Sebastián Villasante, Pablo Pita, Isidro Maya-Jariego, Silvia de Juan Mohan

摘要： 社交媒体（SM）数据的使用已成为评估文化生态系统服务（CES）的有前途的工具。大多数研究都集中在单个SM平台的使用以及照片内容的分析上，以评估对CES的需求。在这里，我们通过对与SM帖子相关的主题标签应用图论网络分析（GTNA），介绍了一种使用SM数据评估CES的新颖方法，并将其与照片内容分析进行了比较。我们在三个全球知名案例研究区域（即大堡礁，加拉帕戈斯群岛和复活节岛）的两个SM平台Instagram和Twitter上应用了建议的方法。我们的结果表明，通过图论对标签进行分析可以提供与照片内容分析类似的功能，以评估CES条款和确定CES提供商。更重要的是，GTNA提供了更大的功能来识别与自然相关的关系值和eudaimonic方面，以及用于照片内容分析的难以捉摸的方面。另外，由于GTNA基于用户自己提供的标签，因此GTNA有助于减少与照片内容分析相关的口译人员的偏见。该研究还强调了考虑来自不同社交媒体平台的数据的重要性，因为用户的类型和这些平台提供的信息可以显示不同的CES属性。 GTNA的应用程序易于应用且计算时间短，这使其成为一种具有成本效益的方法，并有可能应用于较大的地理范围。

具有策略见解和不结盟的观点扩散软件

原文标题： Opinion Diffusion Software with Strategic Opinion Revelation and Unfriending

地址：

作者： Patrick Shepherd, Mia Weaver, Judy Goldsmith

摘要： 我们提出了一种用于社会网络建模和意见传播过程的新颖软件套件。关于社会网络科学的许多研究都假设网络具有静态拓扑。最近，注意力转向了不断发展的网络。尽管用于建模网络拓扑演化和扩散过程的软件一直在不断改进，但是很少关注主体建模。我们的软件被设计为健壮，模块化和可扩展的，提供了对动态社会网络拓扑和多维扩散过程进行建模的能力，包括非同质范式在内的各种样式的主体以及用于多主体强化学习的测试环境（ MARL）使用多种主体类型进行实验。我们还将说明各种主体建模的价值，以及允许战略不友好的环境。我们的工作表明，两极分化和共识动态以及拓扑聚类效应可能比以前已知的更多依赖个人目标来构成其邻里意见。

具有近似特征值轨迹的谱演化用于链路预测

原文标题： Spectral Evolution with Approximated Eigenvalue Trajectories for Link Prediction

地址：

作者： Miguel Romero, Jorge Finke, Camilo Rocha, Luis Tobón

摘要： 谱演化模型旨在根据邻接矩阵的特征值分解来表征大型网络的增长（即，随着新边的建立，它们如何演化）。假设虽然特征向量保持恒定，但特征值会随着时间的推移以可预测的方式演化。本文扩展了模型的原始公式。首先，它提出了一种基于瑞利商来计算特征值谱演化的近似方法。其次，它提出了一种算法，通过仅外推近似值的一小部分来估计特征值的演变。所提议的模型用于表征发布了推文的用户提及网络，这些推文包括2017年8月至2018年8月（该时期结束了哥伦比亚革命武装力量的解除武装）在哥伦比亚最受欢迎的政治主题标签。为了评估谱演化模型与这些网络的相似程度，实施了基于学习算法（即外推和回归）和图核的链路预测方法。实验结果表明，在预测新边的形成时，在近似轨迹上部署的学习算法优于常规的核和外推方法。

图原型网络用于属性网络的少量学习

原文标题： Graph Prototypical Networks for Few-shot Learning on Attributed Networks

地址：

作者： Kaize Ding, Jianling Wang, Jundong Li, Kai Shu, Chenghao Liu, Huan Liu

摘要： 如今，属性网络在无数高影响力的应用程序中无处不在，例如社会网络分析，财务欺诈检测和毒品发现。作为属性网络的中心分析任务，节点分类在研究界引起了广泛关注。在真实属性网络中，很大一部分节点类仅包含有限的带标签实例，从而呈现出长尾节点类分布。现有的节点分类算法未配备来处理 few-shot节点类。作为一种补救措施，短时间学习引起了研究界的广泛关注。但是，少快照节点分类仍然是一个具有挑战性的问题，因为我们需要解决以下问题：（i）如何从归属网络中提取元知识以进行少快照节点分类？ （ii）如何确定每个标记实例的信息量，以建立健壮有效的模型？为了回答这些问题，在本文中，我们提出了一个图元学习框架-图原型网络（GPN）。通过构建半监督节点分类任务池以模仿实际测试环境，GPN能够在属性网络上执行 元学习并导出用于处理目标分类任务的高度可推广的模型。大量的实验证明了GPN在少发节点分类中的优越能力。

Lumos：用于诊断Web规模应用程序中度量回归的库

原文标题： Lumos: A Library for Diagnosing Metric Regressions in Web-Scale Applications

地址：

作者： Jamie Pool, Ebrahim Beyrami, Vishak Gopal, Ashkan Aazami, Jayant Gupchup, Jeff Rowland, Binlong Li, Pritesh Kanani, Ross Cutler, Johannes Gehrke

摘要： Web规模的应用程序可以每天到每周的节奏发送代码。这些应用程序依赖在线指标来监视新版本的运行状况。需要尽早检测和诊断度量值的回归，以减少对用户和产品所有者的破坏。度量标准的回归可能由于多种原因而浮出水面：真正的产品回归，用户数量变化以及遥测丢失（或处理）导致的偏差是常见原因。对于工程团队来说，诊断这些度量回归的原因是昂贵的，因为他们需要花费时间来尽快找出问题的根本原因。我们介绍Lumos，这是一个使用AB测试原理构建的Python库，可系统地诊断度量回归以自动执行此类分析。 Lumos已部署在Microsoft实时通信应用程序Skype和Microsoft Teams中的各个组件团队中。它使工程团队能够检测100项指标的实际变化，并拒绝由异常检测器检测到的1000条错误警报。 Lumos的应用已节省了多达95％的时间分配给基于度量的调查。在这项工作中，我们开源Lumos，并在数百万次会话中展示了将其应用于RTC组中两个不同组件的结果。该通用库可以与任何生产系统结合使用，以有效管理警报量。

增长的无标度单纯形

原文标题： Growing scale-free simplices

地址：

作者： K. Kovalenko, I. Sendiña-Nadal, N. Khalil, A. Dainiak, D. Musatov, K. Alfaro-Bittner, B. Barzel, S. Boccaletti

摘要： 在过去的二十年中，我们对复杂的网络系统的理解取得了巨大的成功，从对现实世界的社会，生物和技术网络的映射到建立恢复其观察到的宏观模式的生成模型。但是，这些进展仅限于由双向链接捕获的成对交互，并且对高阶结构的了解有限，在高阶结构中，几个组件组成的组代表基本的交互单元。只能通过简单的复合物来掌握这种多成分的相互作用，最近发现它们在社会和生物学环境以及工程和脑科学中都有应用。那么，生成模型可以恢复现实世界中简单模型中观察到的模式吗？在这里，我们介绍，研究并刻画一个模型，以生长具有二阶即节点，链接和三角形的简单复形，从而产生高度灵活的经验相关的简单网络集合。具体地，通过优先和/或非优先附着机制的组合，该模型构建具有无标度的度分布和有界或无标的广义度分布的网络-后者说明了围绕每个链接的三合会的数量。允许对比例指数进行分析控制，我们得出了一个非常通用的方案，通过该方案可以构建显示所需统计特性的合成配合物。

使用多日行程单数据描绘乘车机动性：以中国北京为例

原文标题： Portraying ride-hailing mobility using multi-day trip order data: A case study of Beijing, China

地址：

作者： Zhengbing He

摘要： 作为移动互联网时代新兴的旅行方式，通过在线平台将乘客与私家车司机联系起来的乘车服务在世界范围内非常流行。尽管它引起了科学界的广泛关注，但由于缺乏相关数据，对打车的理解仍然非常有限。本文首次介绍了中国北京叫车司机的多日旅行订单数据，并从区域和驾驶员的角度描绘了ride-hailing.pdf的出行方式。从区域角度进行的分析有助于理解乘车需求的时空流动，而从驾驶员角度进行的分析则体现了乘车驾驶员在提供乘车服务方面的偏好。根据活动区域和工作时间之间的相关性，获得了一系列发现，例如对乘车需求的收缩和扩展过程以及乘车驾驶员的两类观察。这些发现有助于人们了解乘车活动，预测乘车需求，对乘车驾驶员的偏好进行建模以及对乘车服务进行管理。

连续时间基于事件的时间网络的Hawkes边分块模型

原文标题： The Hawkes Edge Partition Model for Continuous-time Event-based Temporal Networks

地址：

作者： Sikun Yang, Heinz Koeppl

摘要： 我们提出了一种新颖的概率框架来建模连续时间交互事件数据。我们的目标是推断实体间时间交互作用背后的 emph implicit社区结构，并研究社区结构如何影响这些节点之间的交互动力学。为此，我们使用相互激励的霍克斯过程对个体之间的往复交互进行建模。每对个体的霍克斯过程的基本速率基于使用分层伽玛过程边分区模型（HGaP-EPM）推断的潜在表示而建立。特别是，我们的模型允许每对个体之间的互动动态受到其各自所属社区的调节。而且，我们的模型可以灵活地合并辅助人员的属性或与交互事件相关的协变量。开发了有效的吉布斯采样和期望最大化算法，以通过P’olya-Gamma数据增强策略执行推理。在现实世界数据集上的实验结果表明，我们的模型不仅与现有技术相比在时间链路预测方面具有竞争优势，而且还发现了所观察到的时间相互作用背后的可解释潜在结构。

多路和相互依赖系统的扩散几何

原文标题： Diffusion Geometry of Multiplex and Interdependent Systems

地址：

作者： Giulia Bertagnolli, Manlio De Domenico

摘要： 复杂网络的特征是由其拓扑或顶部动态引起的潜在几何形状。在后一种情况下，不同的网络驱动过程会诱发不同的几何特征，这些特征可以通过适当的指标来捕获。随机游走是从简单传染到亚稳态同步和共识的广泛过程的主体，最近已在[Phys。牧师118，168301（2017）]来定义扩散几何的类别，并从真正的几何角度精确定位复杂网络的功能中尺度组织。在这里，我们首先将这一类扩展到多层网络（生物，神经，社会，交通，生物和金融系统的范例）的不同随机游动动力学的家族，包括本地和非本地信息。克服局限性，例如现实世界中典型的隔离节点和断开连接的组件的存在。其次，我们描述了合成和经验系统的多层扩散几何特征，强调了不同随机搜索动力学在塑造相应扩散歧管的几何特征中所起的作用。

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。