连接经济结构变化的短期和长期动态;通过网络科学进行时间序列分析：概念和算法;新特征用于时间序列分析：复杂网络方法;学习如何学习图拓扑;网络科学预测权力的游戏中下一个死亡的是谁;顺流而行？使用霍奇理论对美国医疗保健提供网络的大规模分析;拼车和数据隐私：实际状况分析;在危机早期失去最佳科学指导的战斗：Covid-19 及以后;可视化社会网络中的集体创意产生和创新过程;POLE：符号网络的极嵌入;博弈中的协调和均衡选择：局部效应的作用;连接经济结构变化的短期和长期动态原文标题： Bridging the short-term and long-term dynamics of economic structural change地址： http://arxiv.org/abs/2110.09673作者： James McNerney, Yang Li, Andres Gomez-Lievano, Frank Neffke摘要： 在短期内，经济体优先转向与其目前从事的活动相关的新活动。这种趋势也应该对经济长期发展的特征产生影响。我们使用经济体转向新活动的动态网络模型来探索这些影响。首先，我们从理论上推导出一对坐标，汇总长期结构变化。其中一个坐标是刻画多个活动的整体能力，另一个坐标刻画经济的构成。其次，我们实证地展示了这两个指标如何直观地概括了长期经济发展的各种事实。第三，我们观察到我们的度量类似于经济复杂性度量，尽管我们实现这些度量的途径与以前的有很大不同。总的来说，我们的框架代表了一种动力学方法，它连接了结构变化的短期和长期描述，并表明了经济复杂性分析的不同分支如何统一在一个框架中。通过网络科学进行时间序列分析：概念和算法原文标题： Time Series Analysis via Network Science: Concepts and Algorithms地址： http://arxiv.org/abs/2110.09887作者： Vanessa Freitas Silva, Maria Eduarda Silva, Pedro Ribeiro, Fernando Silva摘要： 如今，所有类型的现实世界系统都在不断地生成和收集数据。这些数据集通常按时间、空间或两者编入索引，需要适当的方法来分析数据。在单变量环境中，时间序列分析是一个成熟而扎实的领域。然而，在多元背景下，时间序列分析仍然存在许多局限性。为理解决这些问题，过去十年提出了基于网络科学的方法。这些方法涉及将初始时间序列数据集转换为一个或多个网络，可以对其进行深入分析以深入理解原始时间序列。这篇综述为机器学习、数据挖掘和时间序列领域的广大研究人员和从业者提供了将时间序列转换为网络的现有映射方法的全面概述。我们的主要贡献是对现有方法的结构化审查，确定它们的主要特征和差异。我们描述了主要的概念方法，提供了权威参考，并以统一的符号和语言深入理解了它们的优点和局限性。我们首先描述单变量时间序列的情况，它可以映射到单层网络，我们根据底层概念划分当前映射：可见性、转换和接近度。然后我们继续讨论单层和多层方法的多元时间序列。虽然仍然是最近的，但这个研究领域有很大的潜力，通过这次调查，我们打算为这个主题的未来研究铺平道路。新特征用于时间序列分析：复杂网络方法原文标题： Novel Features for Time Series Analysis: A Complex Networks Approach地址： http://arxiv.org/abs/2110.09888作者： Vanessa Freitas Silva, Maria Eduarda Silva, Pedro Ribeiro, Fernando Silva摘要： 时间序列数据在气候、经济和医疗保健等多个领域无处不在。从这些时间序列中挖掘特征是一项具有多学科影响的关键任务。通常，这些特征是从时间序列的结构特征中获得的，例如趋势、季节性和自相关，有时需要数据转换和参数模型。最近的概念方法依赖于时间序列映射到复杂网络，其中网络科学方法可以帮助表征时间序列。在本文中，我们考虑了两个映射概念，可见性和转移概率，并提出了网络拓扑度量作为一组新的时间序列特征。为了评估所提出的特征的有用性，我们解决了时间序列聚类的问题。更具体地说，我们提出了一种聚类方法，该方法包括将时间序列映射到可见性图和分位数图，计算结果网络的全局拓扑度量，并使用数据挖掘技术形成集群。我们将此方法应用于合成和经验时间序列的数据集。结果表明，基于网络的特征刻画了每个时间序列模型中编码的信息，从而在聚类任务中具有很高的准确性。我们的结果很有希望，并表明网络分析可用于表征不同类型的时间序列，并且不同的映射方法可以刻画时间序列的不同特征。学习如何学习图拓扑原文标题： Learning to Learn Graph Topologies地址： http://arxiv.org/abs/2110.09807作者： Xingyue Pu, Tianyue Cao, Xiaoyun Zhang, Xiaowen Dong, Siheng Chen摘要： 学习图拓扑以揭示数据实体之间的潜在关系在各种机器学习和数据分析任务中起着重要作用。在结构化数据在图上平滑变化的假设下，问题可以表述为正半定锥上的正则化凸优化，并通过迭代算法解决。经典方法需要显式凸函数来反映通用拓扑先验，例如执行稀疏性的 ell_1 惩罚，这限制了学习丰富拓扑结构的灵活性和表现力。我们建议基于学习优化（L2O）的思想来学习从节点数据到图结构的映射。具体来说，我们的模型首先将迭代原始对偶分裂算法展开到神经网络中。关键的结构近端投影被一个变分自编码器取代，该自编码器通过增强的拓扑属性来细化估计的图。该模型以端到端的方式使用节点数据和图样本对进行训练。对合成数据和真实世界数据的实验表明，我们的模型在学习具有特定拓扑特性的图方面比经典迭代算法更有效。网络科学预测权力的游戏中下一个死亡的是谁原文标题： Network Science Predicts Who Dies Next in Game of Thrones地址： http://arxiv.org/abs/2110.09856作者： Milan Janosov摘要： 近年来，社会网络分析和机器学习已经找到了无数应用。例如，这个简短的项目是在 2017 年进行的，随后受到了一些媒体的关注，其目标如下：将网络科学和预测建模结合到流行的电视和书籍系列《权力的博弈》的主题上，并预测哪些关键人物可能会达到目的。顺流而行？使用霍奇理论对美国医疗保健提供网络的大规模分析原文标题： Go with the Flow? A Large-Scale Analysis of Health Care Delivery Networks in the United States Using Hodge Theory地址： http://arxiv.org/abs/2110.09637作者： Thomas Gebhart, Xiaojun Fu, Russell Funk摘要： 医疗保健提供是一个协作过程，需要具有专业知识的提供者网络之间的密切协调。然而，在美国，医疗服务通常分布在多个互不关联的提供者（例如，初级保健医生、专家）之间，导致医疗服务网络支离破碎，并导致更高的成本和更低的质量。虽然这个问题是众所周知的，但可用于表征大规模护理提供网络的量化工具相对较少，从而阻碍了对护理碎片化的更深入理解和解决它的努力。在这项研究中，我们使用离散霍奇分解（一种新兴的拓扑数据分析方法）对美国各地的护理提供网络进行了大规模分析。使用这种技术，我们将医生之间的患者流网络分解为三个正交子空间：梯度（非循环流）、调和（全局循环流）和旋度（局部循环流）。我们记录了每个子空间的相对重要性的实质性差异，这表明医疗保健市场的医疗服务网络的组织可能存在系统性差异。此外，我们发现每个子空间的相对重要性可以预测局部护理成本和质量，结果往往随着旋度流量的增加而更好，而谐波流量越大则结果越差。拼车和数据隐私：实际状况分析原文标题： Ride Sharing & Data Privacy: An Analysis of the State of Practice地址： http://arxiv.org/abs/2110.09188作者： Carsten Hesselmann, Jan Gertheiss, Jörg P. Müller摘要： 拼车等数字服务严重依赖个人数据，因为个人必须披露个人信息才能进入市场并与其他参与者交换信息；然而，尽管隐私问题是个人（不）使用这些服务的决定性因素，但服务提供商通常很少或根本不提供有关所披露信息的隐私状态的信息。我们分析了流行的拼车服务如何处理用户隐私，以评估当前的实践状态。结果表明，服务包括一组不同的个人数据，并提供有限的隐私相关功能。在危机早期失去最佳科学指导的战斗：Covid-19 及以后原文标题： Losing the battle over best-science guidance early in a crisis: Covid-19 and beyond地址： http://arxiv.org/abs/2110.09634作者： L. Illari, N. Johnson Restrepo, R. Leahy, N. Velasquez, Y. Lupu, N.F. Johnson摘要： 确保公众广泛接触最佳科学指导在危机中至关重要，例如Covid-19，气候变化。在 8700 万 Facebook 用户中绘制 Covid-19 指南的发射器 – 接收器动态，我们发现了一场关于暴露的多方面斗争，在大流行正式宣布之前就已经消失了。到 Covid-19 疫苗出现时，主流社区——包括许多育儿社区——已经离更极端的社区更近了。隐藏的异质性解释了为什么 Facebook 自己推广的最佳科学指南也错过了关键的受众群体。一个简单的数学模型在系统级别再现了这些曝光动态。我们的发现可用于大规模定制指导，同时考虑到个体多样性，并预测临界点行为和系统级对干预的反应。可视化社会网络中的集体创意产生和创新过程原文标题： Visualizing Collective Idea Generation and Innovation Processes in Social Networks地址： http://arxiv.org/abs/2110.09893作者： Yiding Cao, Yingjun Dong, Minjun Kim, Neil G. MacLaren, Sriniwas Pandey, Shelley D. Dionne, Francis J. Yammarino, Hiroki Sayama摘要： 集体创意的产生和创新过程复杂且动态，涉及大量使用传统方法难以监控、分析和可视化的定性叙述信息。在这项研究中，我们开发了三种用于集体创意产生和创新过程的新可视化方法，并将它们应用于来自在线协作实验的数据。第一个可视化是创意云，它有助于监控集体创意发布活动并直观地跟踪创意聚类和转换。第二个可视化是创意地理，它有助于理解创意空间及其效用景观的结构以及如何在该空间中进行协作。第三个可视化是创意网络，它将创意动态与产生它们的人的社会结构联系起来，显示邻居之间的社会影响如何影响协作活动以及创新创意在社会网络中的产生和传播。POLE：符号网络的极嵌入原文标题： POLE: Polarized Embedding for Signed Networks地址： http://arxiv.org/abs/2110.09899作者： Zexi Huang, Arlei Silva, Ambuj Singh摘要： 从 2016 年美国总统大选到 2021 年国会骚乱，再到与 COVID-19 相关的错误信息的传播，许多人将当今社会分化严重归咎于社交媒体。符号网络机器学习的最新进展有望指导小型干预措施，以减少社交媒体中的两极分化。然而，现有模型在预测用户之间的冲突（或负面链接）方面尤其无效。这是由于链接符号和网络结构之间存在很强的相关性，其中极化社区之间的负链接太稀疏，即使通过最先进的方法也无法预测。为理解决这个问题，我们首先为基于有符号随机游走的有符号图设计了一种分区不可知的极化度量，并表明许多现实世界的图是高度极化的。然后，我们提出了 POLE（符号网络的极化嵌入），这是一种用于极化图的有符号嵌入方法，它通过有符号自协方差共同刻画拓扑和有符号相似性。通过大量实验，我们表明 POLE 在有符号链路预测方面明显优于最先进的方法，特别是对于增益高达一个数量级的负链路。博弈中的协调和均衡选择：局部效应的作用原文标题： Coordination and equilibrium selection in games: the role of local effects地址： http://arxiv.org/abs/2110.10036作者： Tomasz Raducha, Maxi San Miguel摘要： 我们研究了局部效应和有限尺寸效应在不同类型的两人协调博弈中达到协调和均衡选择中的作用。我们研究了随机图上的协调博弈的三个更新规则——复制器动力学 (RD)、最佳响应 (BR) 和无条件模仿 (UI)。在我看来，局部效果对于 UI 更新规则来说更为重要。对于具有两个等效策略的纯协调博弈，我们发现网络连接的临界值从无序状态到完全协调状态的转变。对于 BR 和 RD 更新规则，转换与系统大小无关。对于 IU 更新规则，它取决于系统大小，但始终可以在完整图的连通性下方达到协调。我们还考虑了涵盖一系列博弈的一般协调博弈，例如猎鹿博弈。对于这些博弈，存在收益主导策略和风险主导策略以及相关的均衡协调状态。我们分析和数值分析均衡选择。对于 RD 和 BR 更新规则，平均场预测与模拟一致，并且风险主导策略是独立于局部效应的演化偏向。然而，当玩家使用无条件模仿时，我们观察到收益主导策略中的协调。令人惊讶的是，支付主导均衡的选择仅发生在网络连通性的临界值以下，并且在完整图中消失。正如我们所展示的，它是局部效应和更新规则的组合，允许对收益主导策略进行协调。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。