本文摘要：网络系统上的诱导渗流;流图中的强毗连组件：盘算和实验;重复使用刑事风险评估中的反馈效应;自表达图神经网络的无监视社区检测;在社交媒体中应对与大盛行相关的错误信息;疫苗供应链：呼吁举行弹性分析以支持COVID-19疫苗的生产和分配;基于价值的COVID-19热点医疗资源分配优化;两种具有交织免疫力的感染病的最佳疫苗接种法式;庞大网络上相互依赖的盛行病的最佳隔离计谋;潮还是不潮？

网络系统上的诱导渗流;流图中的强毗连组件：盘算和实验;重复使用刑事风险评估中的反馈效应;自表达图神经网络的无监视社区检测;在社交媒体中应对与大盛行相关的错误信息;疫苗供应链：呼吁举行弹性分析以支持COVID-19疫苗的生产和分配;基于价值的COVID-19热点医疗资源分配优化;两种具有交织免疫力的感染病的最佳疫苗接种法式;庞大网络上相互依赖的盛行病的最佳隔离计谋;潮还是不潮？分析和预测网红在Reddit上的受接待水平;空间囚徒逆境中互助者的时间分类;中心性指标及其对网络弹性的影响的综述;CovidExplorer：基于多方面AI的COVID-19信息搜索和可视化引擎;股票市场效率的团体动力学;通过微观干预恢复失败的网络;全球航空公司网络中的容量和盛行病流传平衡;适度的移民可能会促进原住民之间的互助岑岭;网络系统上的诱导渗流原文标题： Induced Percolation on Networked Systems地址： http://arxiv.org/abs/2011.14034作者： Jiarong Xie, Xiangrong Wang, Ling Feng, Jin-Hua Zhao, Yamir Moreno, Yanqing Hu摘要： 渗流理论已被广泛用于研究庞大网络系统中的相变。它还乐成地解释了差别领域的几种宏观现象。

然而，现有的渗流理论框架将重点放在系统各组成部门之间的直接相互作用上，而最近的履历视察讲明，间接相互作用在许多系统中都很普遍，例如生态和社会网络等。在这里，我们提出了一个解决间接相互作用的新的渗流框架，该框架可以归纳综合当前的理论体系，并明白网络系统的各个组件对其宏观行为的潜在间接影响。

我们报道了富厚的现象学，其中一阶，二阶或混淆相变是可能的，这取决于底物网络的链接划分是有向的，无向的还是混淆的。我们还提供了一个分析框架来表征所提出的诱导渗滤，为进一步明白具有间接相互作用的网络动力学铺平了门路。流图中的强毗连组件：盘算和实验原文标题： Strongly Connected Components in Stream Graphs: Computation and Experimentations地址： http://arxiv.org/abs/2011.08054作者： Léo Rannou, Clémence Magnien, Matthieu Latapy摘要： 流图建模了高度动态的网络，其中节点和/或链接随时间到达和/或脱离。

最近在流图中界说了强毗连的组件，可是没有提供算法来盘算它们。我们在这里提出了多项式的解决方案，这些解决方案具有多项式的时间和空间庞大性，每种解决方案都有其优点和缺点。

我们提供了一个实现方案，并在种种实际情况下实验性地比力了算法。此外，我们提出了一种近似方案，该方案可显著降低盘算成本，并提供有关数据集的更多看法。重复使用刑事风险评估中的反馈效应原文标题： Feedback Effects in Repeat-Use Criminal Risk Assessments地址： http://arxiv.org/abs/2011.14075作者： Benjamin Laufer摘要： 在刑事执法情况中，风险评估算法被吹嘘为数据驱动的，经由良好测试的工具。从业人员通常会引用称为验证测试的研究，以讲明特定的风险评估算法具有预测准确性，可以在风险组之间建设合理的差异，并在治疗中维持组公正性的某种权衡尺度。

为了建设这些重要目的，大多数测试使用单次单点丈量。使用Polya Urn模型，我们探索了反馈效应在顺序评分决议历程中的寄义。我们通过仿真讲明，风险可以通过一次性测试无法描画的方式在顺序决议中流传。

例如，纵然是很小或无法检测到的风险分配偏差水平，也可能会放大基于顺序风险的决议，从而导致在多次决议迭代后可视察到的群体差异。风险评估工具在高度庞大且依赖路径的历程中运作，充满了历史的不平等性。我们从这项研究得出的结论是，这些工具不能适当地思量到复合效应，需要开发和审计的新方法。

自表达图神经网络的无监视社区检测原文标题： Self-Expressive Graph Neural Network for Unsupervised Community Detection地址： http://arxiv.org/abs/2011.14078作者： Sambaran Bandyopadhyay, Vishal Peter摘要： 图神经网络能够在多个图下游任务（例如节点分类和链路预测）上实现有希望的性能。设计图神经网络（GNN）的事情相对较少，这些神经网络可以直接用于图中的社区检测。传统上，对GNN举行半监视或自监视损失函数训练，然后将聚类算法应用于检测社区。然而，这种解耦的方法本质上是次优的。

设计用于训练GNN的无监视社区检测损失功效是提出集成解决方案的一项基本挑战。为明白决这个问题，我们首次将自我表达的原理与自我监视图神经网络的框架相联合，用于无监视社区检测。

为了提高该方法的可扩展性，我们提出了一种随机抽样的分批训练方法，并使用自表达原理来生成强节点相似度/相异度值的子集。这些值用于规范化从自监视图神经网络获得的节点社区。我们的解决方案以端到端的方式举行培训。

我们能够在多个公然可用的数据集上获得最新的社区检测效果。在社交媒体中应对与大盛行相关的错误信息原文标题： Towards Combating Pan。

本文关键词：ROR体育首页,Arxiv,网络,科学,论文,摘要,17篇,2020-12-01

本文来源：ROR体育首页-www.scguojiu.com