版权

这篇文章主要介绍了三个不同的研究领域：1. 可解释的人工智能（MAIR）框架：这是一种新型的分析框架，用于探究人工智能相关政策文件和研究论文之间的关系。该框架结合了多种NLP技术和受制度语法启发的方法，可以更好地理解和分析这些文件之间的相互影响。2. 基于扩散级联的流行度预测预训练框架：这是一种创新的流行度预测方法，旨在通过学习流行度的动态知识来预训练一个通用的深度表示模型。这种框架能够有效地捕捉流行动态的特征，并应用于多个流行度预测任务。3. 社区规模的大数据在极端天气事件中的影响分析：这项研究利用汇总的社区规模数据深入理解了2021年德克萨斯州冬季风暴的影响。研究结果揭示了不同影响因素（如停电、管道爆裂和食物供应中断）在 vulnerably populations 中的差异程度，并强调了在极端天气事件管理和实施方面的不平等问题。

该文章主要探讨了功能可观察性在大型动态网络中的重要性，介绍了基于图的功能可观察性理论和算法，并将其应用于检测电网中的网络攻击和推断流行病期间的感染流行率。同时，文章还介绍了一种名为DSGC的无监督图表示学习方法，能够在不同的空间中生成视图，并与传统图对比学习方法相结合，提高了性能。最后，文章讨论了COVID-19大流行对国际贸易的影响，并通过分析联合国Comtrade数据库得出了一些新的结论。

这篇文章由Maximilien Danisch，Ioannis Panagiotas和Lionel Tabourier撰写，主要研究了二部图的压缩问题。他们提出了一种对偶重排序方案，能够使顶点重排序阶段适应二部图的特定结构，从而提高压缩率。此外，他们也建议可以进一步改进这种方法，以使节点排序更适应压缩阶段的后续操作。另外一篇文章是由Yanni Yang，Alex Pentland和Esteban Moro撰写的，关注城市动态和潜在活动行为的研究。他们利用移动数据，研究了美国11个都市区120万到110万个地点的移动访问模式，并发现了12种潜在的活动行为，这些行为可以解释为人们如何在城市中的各种活动组合。他们的研究强调了用活动行为补充传统人口普查数据的重要性。第三篇文章是由Federico Musciotto，Federico Battiston和Rosario N. Mantegna撰写的，他们提出了一种在高阶网络中检测统计验证的单纯形方法。该方法可以检测到任何大小的最大节点集，这些节点始终共同交互，并且不包括仅偶尔出现的共同交互节点。这种方法在高阶网络中非常有效，能够检测到具有显著相似性的节点。最后一篇文章是由Christina Lee Yu，Edoardo M Airoldi，Christian Borgs和Jennifer T Chayes撰写的，他们研究了在未知网络结构的情况下估计随机实验的总治疗效果的问题。他们提出了一种框架，在不了解驱动干扰的网络的情况下估计总治疗效果，并表明，如果有平均历史基线测量值，那么就可以开发一个简单的估计器和有效的随机设计。这个解决方案不依赖于网络结构的深入了解，并为各种模型提供了统计保证。