功能可观察性及其在大型网络中的重要性

文章主题：功能可观察性, 图形表示学习, 图对比学习, 疫情对国际贸易的影响

大规模网络中的功能可观测性和目标状态估计;对偶空间图对比学习;加权有向网络中的同配混合;COVID-19 对国际贸易的影响;图上信息传播的模型;量化交通网络中的导航复杂性;用于事件不确定性预测的贝叶斯神经霍克斯过程;管理流行病的最佳锁定;孤独的多种方式：孤独的细粒度表征及其在 COVID-19 中的潜在变化;检测推文中的立场：一种基于符号网络的方法;撰写有关 COVID-19 疫苗的文章：情绪分析揭示了主流和另类媒体如何构建阿斯利康、辉瑞和疫苗接种活动;在突然意外死亡之前，一小群癫痫患者在 Facebook 上的活动有所增加;消除噪音以推断自治系统拓扑;“理解有关 COVID-19 的事实”：分析 TikTok 视频上警告标签的使用;

大规模网络中的功能可观测性和目标状态估计

在大规模网络中，功能可观察性和目标状态估计是至关重要的。功能可观察性指的是从观测数据中推断出系统行为的能力，这对于理解复杂系统的动态特性和优化控制策略至关重要。而目标状态估计则是指通过预测系统的未来状态，从而为决策提供依据。在本文中，我们将重点探讨这两个方面的应用和挑战。首先，我们来了解一下功能可观察性的重要性。在大规模网络中，由于节点数量庞大且相互连接，系统的动态特性往往难以直接观察。因此，通过引入功能可观察性，我们可以从观测数据中获取有关系统行为的信息，例如网络流量、延迟等。这些信息对于分析网络性能、识别故障以及制定优化策略具有重要意义。此外，功能可观察性还可以帮助我们更好地理解系统的稳定性，从而提高系统的可靠性和鲁棒性。其次，目标状态估计在人工智能领域也具有广泛的应用。通过预测系统的未来状态，我们可以为决策提供依据，从而实现更优的控制策略。例如，在智能交通系统中，通过对交通流量的实时监控和预测，我们可以优化路线规划，减少拥堵，提高出行效率。同时，目标状态估计还可以应用于金融市场、工业生产等领域，帮助企业和投资者做出更好的决策。然而，在实际应用中，功能可观察性和目标状态估计面临着许多挑战。如何从大量的观测数据中提取有价值的信息？如何在动态系统中准确预测未来的状态？如何将这些预测结果转化为实用的控制策略？这些问题都需要我们在理论和实践层面上进行深入研究。总之，功能可观察性和目标状态估计在大规模网络中发挥着重要作用。通过理解和掌握这两个方面的原理和方法，我们可以更好地分析和优化这类复杂的系统，从而为现实世界的问题提供解决方案。在未来，随着人工智能技术的不断发展，我们有理由相信，这个领域将取得更多的突破和进展。

地址： http://arxiv.org/abs/2201.07256

在本文中，作者Arthur N. Montanari、Chao Duan、Luis A. Aguirre以及Adilson E. Motter将共同探讨有关环境污染和可持续发展的话题。

在理解复杂动态系统的过程中，我们需要对其内部状态进行量化分析和精准操控。在大型的动态网络环境中，往往由于物理限制或者难以获取充足的传感器节点，使得系统完全可观测性的实现变得困难。即便在理论上系统是可观测的，但是系统的高维特性却给全状态观测者的计算带来了基本的困扰。为了应对这一挑战，我们提出了一个基于图的功能可观测性理论，从而得到了一种能够高度扩展的算法，该算法能确定所需的最小传感器集合，并设计出相应的最小阶状态观察器。与全状态观测器相比，我们所提出的功能观测器能够在较少的传感和计算资源的条件下，达到相同的估计效果，这使得它在大型网络环境中具有更好的适用性。我们将这种方法应用到从有限的相位测量数据中检测电网中的网络攻击，以及在有限的测试条件下推断流行病期间的感染流行率。这些实际应用的结果显示，功能观察者能够显著增强我们在探索复杂网络中无法访问的动态过程的能力。

对偶空间图对比学习

原文标题： Dual Space Graph Contrastive Learning

地址： http://arxiv.org/abs/2201.07409

在本研究中，作者们探讨了一种新颖的方法来提高太阳能电池的转换效率。作者团队包括Haoran Yang、Hongxu Chen、Shirui Pan、Lin Li、Philip S. Yu以及Guandong Xu。通过对太阳能电池的工作原理进行深入研究，他们提出了一种创新的设计方案，从而提高了太阳能电池的光电转化效率。这一研究成果对于推动太阳能电池的发展具有重要意义，同时也为解决能源危机提供了新的思路。

图表示学习，特别是无监督的图表示学习，已经在实际问题中展现出了其强大的能力，这一方法在图学习领域也取得了显著的成功。其中，图对比学习作为一种无监督的图表示学习方式，近期受到了研究人员的广泛关注，其在各类任务中都展现出了最优秀的性能。图对比学习能够取得成功的关键在于构建合适的对比对，以便从图中提取出底层的结构语义。然而，这一关键环节至今尚未被完全解析，大部分生成对比对的方式都在于增强或扰动图结构以生成输入图的不同视角。然而，这样的策略可能会通过在图中引入噪声而降低性能，从而可能限制了图对比学习的应用范围。在本研究中，我们提出了一种新的图对比学习方法——textbfDual textbfSpace textbfGraph textbfContrastive (DSGC) Learning。该方法通过在视图之间进行图对比学习，在双曲空间和欧几里得空间中生成不同的视图。由于这两个空间各自具有独特的优势来表示图数据，我们的目标是利用图对比学习来整合这两个空间，充分发挥各自的优势。实验结果表明，DSGC在所有数据集上都取得了竞争力的或更好的性能。此外，我们还进行了大量的实验来分析不同的图编码器对DSGC的影响，以便更深入地理解如何更好地利用不同空间之间的对比学习优势。

加权有向网络中的同配混合

在 weighted 导向网络中实现局域混合

地址： http://arxiv.org/abs/2201.07502

作者： Uta Pigorsch, Marc Sabek

在这篇研究中，我们探讨了网络中节点之间关联性的趋势，特别是在相似度较高的节点中过度连接的现象。针对这一问题，我们对加权网络进行了分类研究，涵盖了有向和无向两种情况。在此过程中，我们提出了一种新的观点，即关注过度顶点强度而非过度程度，并进一步指出，加权网络的分类可以拆解为两个主要机制：连接效应和放大效应。为了更加精确地捕捉这些影响因素，我们引入了一个通用的分类系数，以便对加权网络的分类进行更深入的解释和评价。同时，我们还设计了一套评估加权网络分类统计显著性的方法，包括折刀法、自举法和重连技术等。通过对多个加权现实世界网络的分类结构进行深入分析，我们证明了所提出的广义分类系数具有很高的实用价值。

COVID-19 对国际贸易的影响

原文标题： COVID-19 impact on the international trade

地址： http://arxiv.org/abs/2201.07737

在本文中，作者Célestin Coquidé、José Lages、Leonardo Ermann和Dima L. Shepelyansky共同探讨了区块链技术在金融领域的应用。

原内容概述：本文通过运用联合国Comtrade数据库中的多产品世界贸易网络（WTN）谷歌矩阵分析，对2018至2020年期间的世界贸易网络进行了深入研究。其中，COVID-19作为全球流行病被纳入分析范围。采用的PageRank、CheiRank和简化的谷歌矩阵算法，由于考虑到了WTN链接的多样性，因此能够提供关于国际贸易的新视角。这些算法揭示了新的国家和产品排名以及贸易平衡，所有的评价标准都是平等的，不论国家的财富状况如何，也不论是出口还是进口。特别地，文章指出，与COVID-19大流行前的时期相比，这些指标在2020年出现了显著的变化，凸显了疫情对国际贸易流动带来的重大影响。最后，作者提出了一种新的PageRank-CheiRank产品贸易平衡，以出口或进口为导向，明显受到了大流行的干扰。改写后的文章：本文采用联合国Comtrade数据库的多产品世界贸易网络（WTN）谷歌矩阵分析方法，研究了2018至2020年间全球贸易网络。特别地，分析中纳入了COVID-19这一全球流行病，从而为理解国际贸易提供了全新的视角。运用PageRank、CheiRank和简化的谷歌矩阵算法，本文揭示了新的国家和产品排名以及贸易平衡。这些评价标准均建立在平等的基础上，不区分国家财富状况，也不区分出口或进口。值得注意的是，相较于COVID-19大流行前的时期，这些指标在2020年出现了显著的变化，充分展现了疫情对国际贸易流动带来的重大影响。此外，本文还构建了一种新的PageRank-CheiRank产品贸易平衡，依旧以出口或进口为导向，但受到了大流行的严重干扰。

图上信息传播的模型

原文标题： Models for information propagation on graphs

地址： http://arxiv.org/abs/2201.07577

作者： Oliver R. A. Dunbar, Charles M. Elliott, Lisa Maria Kreusser

摘要：在这项工作中，我们提出并统一了不同模型的类别，用于图上的信息传播。在第一类中，传播被建模为在初始时间从一组已知节点发出的波，随后到达所有其他未知节点，其顺序由信息波前到达节点的时间确定。第二类模型基于沿节点之间路径的旅行时间的概念。从一组初始已知节点到一个节点的信息传播时间定义为在所有允许路径的子集上的广义旅行时间的最小值。最后一类是通过在每个未知节点处施加一个 eikonal 形式的局部方程，在已知节点处具有边界条件。节点处局部方程的解值与解值较小的相邻节点耦合。我们在此图设置中提供模型类的精确公式，并证明它们之间的等价性。受连续统设置中初至时间模型和 eikonal 方程之间联系的启发，我们证明了在某些图模型的网格细化下，对于欧几里得空间平均场限制中特定网格形式的图，会导致 Hamilton-Jacobi PDE。对于特定的参数设置，我们证明了网格上的解近似于欧几里得距离。

量化交通网络中的导航复杂性

原文标题： Quantifying navigation complexity in transportation networks

地址： http://arxiv.org/abs/2201.07631

作者： Zhuojun Jiang, Lei Dong, Lun Wu, Yu Liu

摘要：大城市的导航复杂性随着城市区域的扩大而增加，这带来了具有挑战性的交通问题。研究人员对城市导航进行了许多理论研究，但基于实际移动数据的大规模分析很少见。在这里，我们使用中国三个主要城市的 2.25 亿次地铁出行，从信息的角度量化导航难度，结果表明：1）人们保留少量重复使用的路线，倾向于选择最简单的路径，以及 2）真实旅行网络（本地网络）中的导航信息远小于理论值（全球网络）。通过对不断增长的网络中的路由行为进行建模，我们表明，虽然全球网络变得难以导航，但仍然可以提高本地导航能力。此外，本地和全局导航信息之间存在惊人的普遍线性关系，这允许这两个指标相互预测。我们的研究结果证明了大规模观测如何量化现实世界的导航行为，并有助于评估交通规划。

用于事件不确定性预测的贝叶斯神经霍克斯过程

原文标题： Bayesian Neural Hawkes Process for Event Uncertainty Prediction

地址： http://arxiv.org/abs/2112.14474

作者： Manisha Dubey, Ragja Palakkadavath, P.K. Srijith

摘要：由事件发生时间组成的事件数据出现在几个现实世界的应用程序中。最近的工作引入了基于神经网络的点过程来建模事件时间，并被证明在预测事件时间方面提供了最先进的性能。然而，神经点过程模型在预测上缺乏良好的不确定性量化能力。对事件建模进行适当的不确定性量化将有助于为许多实际应用做出更好的决策。因此，我们提出了一种新颖的点过程模型，贝叶斯神经霍克斯过程（BNHP），它利用贝叶斯模型的不确定性建模能力和神经网络的泛化能力来模拟事件发生时间。我们用时空建模能力增强模型，它可以考虑预测时间和事件位置的不确定性。模拟和真实数据集的实验表明，BNHP 显著提高了建模事件的预测性能和不确定性量化。

管理流行病的最佳锁定

原文标题： Optimal Lockdown to Manage an Epidemic

地址： http://arxiv.org/abs/2201.07229

作者： Jagtap Kalyani Devendra, Kundan Kandhway

摘要：我们制定了一个最优控制问题，以确定在其他控制措施尚不可用的情况下遏制流行病的封锁政策。我们提出了一个统一的框架来模拟流行病和经济，使我们能够一起研究封锁对两者的影响。目标函数考虑了流行期间的死亡和感染成本，以及由于封锁导致的互动减少而造成的经济损失。我们针对 Covid-19 流行病和布隆迪、印度和美国（低、中、高收入国家）的经济调整了模型的参数。我们研究了所有这些国家的最佳锁定政策和系统参数的影响。我们的框架和结果有助于决策者设计最佳锁定策略，以考虑与流行病相关的感染和死亡，以及锁定造成的经济损失。

孤独的多种方式：孤独的细粒度表征及其在 COVID-19 中的潜在变化

原文标题： Many Ways to be Lonely: Fine-grained Characterization of Loneliness and its Potential Changes in COVID-19

地址： http://arxiv.org/abs/2201.07423

作者： Yueyi Jiang, Yunfan Jiang, Leqi Liu, Piotr Winkielman

摘要：孤独与身心健康的负面结果有关。理解人们如何表达和应对各种形式的孤独感对于早期筛查和有针对性的干预措施以减少孤独感至关重要，尤其是在年轻人等弱势群体中。为了研究不同形式的孤独感和应对策略如何在孤独感自我表露中表现出来，我们通过在两个以年轻人为中心的论坛和两个与孤独感相关的论坛中使用 Reddit 帖子构建了一个数据集，FIG-Loneness (Fine-Grained Loneliness)，其中包括一个不同的年龄组。我们由训练有素的人工注释者为帖子的二进制和细粒度孤独分类提供注释。在FIG-Loneness 上进行了训练，两个基于BERT 的模型被用来理解这些论坛中的孤独形式和作者的应对策略。我们的二元孤独分类的准确率超过 97%，细粒度的孤独类别分类在所有标记类别中的平均准确率达到 77%。通过FIG-Loneness和模型预测，我们发现年轻人相关论坛中的孤独表达与其他论坛不同。那些在以年轻人为中心的论坛上的人更有可能表达对同伴关系的担忧，并且可能对受 COVID-19 大流行封锁影响的地理隔离更敏感。此外，我们表明不同形式的孤独感在应对策略中具有不同的用途。

检测推文中的立场：一种基于符号网络的方法

原文标题： Detecting Stance in Tweets : A Signed Network based Approach

地址： http://arxiv.org/abs/2201.07472

作者： Roshni Chakraborty, Maitry Bhavsar, Sourav Kumar Dandapat, Joydeep Chandra

摘要：识别与政治事件相关的用户立场有多种应用，例如确定个人立场、塑造公众舆论、识别政府措施的受欢迎程度等等。 Twitter 等社交媒体平台上的大量政治讨论为开发自动化机制以识别个人立场并随后扩展到大量用户提供了机会。然而，短文本和推文词汇量的巨大差异等问题使得这种练习变得非常困难。现有的姿态检测算法需要特定于事件的训练数据或带注释的推特句柄，因此难以适应新事件。在本文中，我们提出了一个基于符号网络的框架，它使用外部信息源（如新闻文章）来创建与新闻事件相关的相关实体的符号网络，然后使用它来检测任何推文对事件的立场。对与 10 个事件相关的 5,000 条推文进行的验证表明，与现有的姿态检测方法相比，所提出的方法可以确保平均 F1 分数提高 6.5% 以上。

撰写有关 COVID-19 疫苗的文章：情绪分析揭示了主流和另类媒体如何构建阿斯利康、辉瑞和疫苗接种活动

原文标题： Writing about COVID-19 vaccines: Emotional profiling unravels how mainstream and alternative press framed AstraZeneca, Pfizer and vaccination campaigns

地址： http://arxiv.org/abs/2201.07538

作者： Alfonso Semeraro, Salvatore Vilella, Giancarlo Ruffo, Massimo Stella

摘要：自 2020 年 11 月宣布以来，媒体和社交媒体对 COVID-19 疫苗进行了广泛的辩论。由于大多数研究都集中在社交媒体中的 COVID-19 虚假信息上，与其他来源相比，主流新闻媒体如何构建 COVID-19 叙述很少受到关注。为了填补这一空白，我们使用认知网络科学和自然语言处理来重建 5745 条关于 COVID-19 疫苗的意大利新闻随时间演变的语义和情感框架，这些新闻在 Facebook 和 Twitter 上被大量转发。我们发现主流消息来源构建“疫苗/疫苗”的一般概念的方式始终具有高度的信任/预期和较少的厌恶。在替代来源构建 COVID-19 疫苗的方式中，这些情绪严重缺失。在特定疫苗实例中发现了更多差异。另类新闻包括以强烈的悲伤程度构建阿斯利康疫苗的标题，主流标题中没有。与“阿斯利康”相比，主流新闻最初将“辉瑞”与副作用联系起来更多。随着后者的暂停，在 2021 年 3 月 15 日，我们发现了一种语义/情感转变：即使是主流文章标题也将“阿斯利康”定性为在语义上更丰富与副作用的负面关联，而“辉瑞”则发生了积极的效价转变，主要与其较高的疗效有关。 “血栓”与可怕的概念联想一起进入了疫苗的框架，而“死亡”则经历了情感转变，在替代标题中转向恐惧，在主流标题中失去了希望的内涵。我们的研究结果揭示了媒体采用的围绕 COVID-19 疫苗的情感叙述的关键方面，强调了理解替代和主流媒体如何报道疫苗接种新闻的必要性。

在突然意外死亡之前，一小群癫痫患者在 Facebook 上的活动有所增加

原文标题： Small Cohort of Epilepsy Patients Showed Increased Activity on Facebook before Sudden Unexpected Death

地址： http://arxiv.org/abs/2201.07552

作者： Ian B. Wood, Rion Brattig Correia, Wendy R. Miller, Luis M. Rocha

摘要：癫痫猝死 (SUDEP) 仍然是癫痫患者死亡的主要原因。尽管患者和家庭成员丧亲的风险持续存在，但迄今为止，SUDEP 的生理机制仍然未知。在这里，我们探索了使用文本和情感分析从在线数字行为数据中识别 SUDEP 推定预测信号的潜力。具体来说，我们分析了六名因 SUDEP 而死亡的癫痫患者的 Facebook 时间线，这些患者由幸存的家庭成员捐赠。我们找到了可通过文本和情绪分析工具检测到的行为变化的初步证据。即，在他们的 SUDEP 事件之前的几个月中，患者社交媒体时间线显示：i) 冗长； ii) 增加功能词的使用； iii) 由不同情绪分析工具衡量的情绪变化。综合起来，这些结果表明，社交媒体的参与及其情绪可能成为癫痫患者 SUDEP 的早期预警信号。虽然本研究中分析的患者时间表的小样本阻止了泛化，但我们的初步调查证明了社交媒体数据在 SUDEP 和癫痫的大型研究中作为补充数据的潜力。

消除噪音以推断自治系统拓扑

原文标题： Cutting Through the Noise to Infer Autonomous System Topology

地址： http://arxiv.org/abs/2201.07328

作者： Kirtus G. Leyba, Joshua J. Daymude, Jean-Gabriel Young, M. E. J. Newman, Jennifer Rexford, Stephanie Forrest

摘要：边界网关协议 (BGP) 是一种分布式协议，可管理域间路由，而无需集中记录哪些自治系统 (AS) 连接到哪些其他系统。已经设计了许多方法来从公开可用的 BGP 数据中推断 AS 拓扑，但没有一种方法提供了一种通用方法来处理众所周知的数据不完整和容易出错的事实。本文描述了一种在存在测量误差的情况下可靠地推断 AS 级连接的方法，该方法使用贝叶斯统计推断从多个有利位置作用于 BGP 路由表。我们采用了一种新颖的方法来计算来自公共路线收集器的 AS-PATH 属性数据中的 AS 邻接观察值，以及贝叶斯算法来生成 AS 级网络的统计估计。我们的方法还为我们提供了一种评估现有重建方法的准确性并为新的路线收集器或有利位置确定有利位置的方法。

“理解有关 COVID-19 的事实”：分析 TikTok 视频上警告标签的使用

原文标题： “Learn the Facts About COVID-19”: Analyzing the Use of Warning Labels on TikTok Videos

地址： http://arxiv.org/abs/2201.07726

作者： Chen Ling, Krishna P. Gummadi, Savvas Zannettou

摘要：在 COVID-19 大流行期间，与健康相关的错误信息和在线共享的有害内容对社会产生了重大不利影响。为了减轻这种不利影响，主流社交媒体平台对可能有害的帖子采用了软适度干预（即警告标签）。尽管这些适度干预措施最近很受欢迎，但我们缺乏旨在揭示这些警告标签如何在野外使用的实证分析，尤其是在 COVID-19 大流行等充满挑战的时期。在这项工作中，我们分析了 TikTok 上警告标签的使用，重点关注 COVID-19 视频。首先，我们构建了一组 26 个与 COVID-19 相关的主题标签，然后我们收集了 41K 视频，这些视频在其描述中包含了这些主题标签。其次，我们对整个数据集进行定量分析，以理解 TikTok 上警告标签的使用情况。然后，我们使用主题分析对 222 个 COVID-19 相关视频进行深入的定性研究，以评估内容以及内容与警告标签之间的联系。我们的分析表明，TikTok 广泛地在 TikTok 视频上应用警告标签，可能基于描述中包含的主题标签。更令人担忧的是，在实际内容与 COVID-19 无关的视频上添加了 COVID-19 警告标签（在 143 个与 COVID-19 无关的英文视频样本中，有 23% 的案例）。最后，我们对 222 个视频样本的定性分析表明，7.7% 的视频共享错误信息/有害内容且不包含警告标签，37.3% 共享良性信息并包含警告标签，以及 35% 共享错误信息的视频/有害内容（并且需要警告标签）是为了好玩。我们的研究表明需要开发更准确和精确的软审核系统，尤其是在像 TikTok 这样在年轻人中非常受欢迎的平台上。

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。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://netsci.complexly.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn

平台。