• 通過添加假節點攻擊圖卷積網路;
  • 跟蹤實體的歷史和演變：以實體為中心的大型社交媒體檔案含時分析;
  • 社會網路中的觀點發現與理解;
  • 高效和高質量的種子圖匹配：採用高階結構信息;
  • HYPE：帶鄰域擴展的大規模超圖分區;
  • 沒有項目的理論研究;

通過添加假節點攻擊圖卷積網路

原文標題： Attack Graph Convolutional Networks by Adding Fake Nodes

地址： arxiv.org/abs/1810.1075

作者： Xiaoyun Wang, Joe Eaton, Cho-Jui Hsieh, Felix Wu

摘要： 圖卷積網路（GCN）已被廣泛用於在半監督設置中對圖節點進行分類。以前的工作表明，GCN容易受到現有節點的鄰接和特徵矩陣的擾動的影響。但是，更改許多應用程序中的現有節點是不現實的，例如社會網路中的現有用戶。在本文中，我們設計了通過添加假節點來攻擊GCN的演算法。提出了一種貪婪演算法來生成偽節點的鄰接和特徵矩陣，旨在最小化現有節點的分類精度。另外，我們引入了一個鑒別器來對來自真實節點的假節點進行分類，並提出了一個Greedy-GAN攻擊來同時更新鑒別器和攻擊者，使假節點與真實節點無法區分。我們的非目標攻擊將GCN的準確度降低到0.10，並且我們的目標攻擊在整個數據集上成功率達到99％，攻擊單個目標節點的成功率達到平均94％。

跟蹤實體的歷史和演變：以實體為中心的大型社交媒體檔案含時分析

原文標題： Tracking the History and Evolution of Entities: Entity-centric Temporal Analysis of Large Social Media Archives

地址： arxiv.org/abs/1810.1101

作者： Pavlos Fafalios, Vasileios Iosifidis, Kostas Stefanidis, Eirini Ntoutsi

摘要： 希臘總理的受歡迎程度如何在2015年發生變化？在此期間，關於他的主要情緒是如何變化的？是否存在任何有爭議的子時期？在這些時期，還有哪些其他實體與他有關？要回答這些問題，需要分析有關查詢實體的存檔文檔和數據，例如舊新聞文章或社交媒體檔案。特別是，在社會網路中發布的用戶生成的內容，如Twitter和Facebook，可以被視為我們社會的綜合文檔，因此對這些存檔數據的有意義的分析方法對於社會學家，歷史學家和其他感興趣的人來說具有巨大的價值。想要研究實體和事件的歷史和演變。為此，在本文中，我們提出了一種以實體為中心的方法來分析社交媒體檔案，我們定義了一些措施，可以研究實體在不同時期和不同方面如社交媒體中的反映，如人氣，態度，爭議和與其他實體的聯繫。使用四年大型Twitter檔案的案例研究說明了這種以實體為中心的多方面分析可以獲得的見解。

社會網路中的觀點發現與理解

原文標題： Viewpoint Discovery and Understanding in Social Networks

地址： arxiv.org/abs/1810.1104

作者： Mainul Quraishi, Pavlos Fafalios, Eelco Herder

摘要： 網路已經發展成為一個佔主導地位的平台，每個人都有機會表達自己的觀點，與其他用戶互動，並就世界各地正在發生的新事件進行辯論。一方面，這使得存在關於 - 通常是有爭議的 - 主題（如英國脫歐）的不同觀點和觀點，但同時，它導致了諸如媒體偏見，回聲室和濾波器泡沫等現象。只暴露於同一主題的一個觀點。因此，需要能夠檢測和解釋不同觀點的方法。在本文中，我們提出了一種圖分區方法，該方法利用社交交互來發現不同社區（代表不同觀點），討論Twitter等社會網路中一個有爭議的話題。為了解釋發現的觀點，我們描述了一種稱為迭代秩差（IRD）的方法，該方法允許檢測表徵不同視點的描述性術語，以及理解特定術語如何與視點相關（通過檢測其他相關描述性術語） 。實驗評估的結果表明，我們的方法在觀點發現方面優於最先進的方法，而對三個不同的有爭議的主題提出的IRD方法的定性分析表明，IRD提供了對不同觀點的全面和深刻的表示。

高效和高質量的種子圖匹配：採用高階結構信息

原文標題： Efficient and High-Quality Seeded Graph Matching: Employing High Order Structural Information

地址： arxiv.org/abs/1810.1115

作者： Haida Zhang, Zengfeng Huang, Xuemin Lin, Zhe Lin, Wenjie Zhang, Ying Zhang

摘要： 在許多實際應用的驅動下，我們研究了種子圖匹配的問題。給定兩個圖 G_1 =（V_1，E_1）和 G_2 =（V_2，E_2），以及一小組 S 的預匹配節點對 [u，v] 其中 u in V_1 和 v in V_2 ，問題是確定從 S 增長的 V_1 和 V_2 之間的匹配，這樣匹配中的每一對都對應於相同的底層實體。最近關於有效和有效的種子圖匹配的研究引起了很多關注，並且許多流行的方法主要基於探索局部結構之間的相似性以識別匹配對。雖然這些最新技術在隨機圖上運行良好，但它們的準確度在許多真實網路上都很低。由此推動，我們建議利用高階鄰近信息來提高匹配精度。因此，提出了一種新的種子圖匹配框架，該框架採用個性化PageRank（PPR）來量化每個節點對的匹配分數。為了進一步提高匹配準確度，我們提出了一種新穎的推遲策略，該策略推遲了具有相似匹配分數的競爭對手的選擇。我們理論上證明推遲策略確實顯著提高了匹配精度。為了提高匹配大圖的可擴展性，我們還提出了基於演算法的高效近似技術，用於計算PPR重擊者。我們對大規模真實數據集的全面實驗研究表明，與現有技術方法相比，我們的框架不僅提高了精度，而且在很大程度上提高了召回率，而且實現了超過一個數量級的加速。

HYPE：帶鄰域擴展的大規模超圖分區

原文標題： HYPE: Massive Hypergraph Partitioning with Neighborhood Expansion

地址： arxiv.org/abs/1810.1131

作者： Christian Mayer, Ruben Mayer, Sukanya Bhowmik, Lukas Epple, Kurt Rothermel

摘要： 許多重要的現實應用 - 例如社會網路或分散式資料庫 - 可以被建模為超圖。在這樣的模型中，頂點表示實體 - 例如用戶或數據記錄 - 而超邊界模擬頂點的組成員資格 - 例如特定主題中的作者身份或特定複製分片中的數據記錄的成員資格。為了優化這些應用，我們需要一種高效且有效的NP-hard平衡k-way超圖分割問題解決方案。但是，現有的超圖分割器在執行分區決策時不能有效地利用超圖結構。我們提出了HYPE，一種超圖分區，利用鄰域擴展的有效實現，利用超圖中頂點之間的鄰域關係。與現有技術相比，HYPE將分區質量提高了95％，運行時間縮短了39％。

沒有項目的理論研究

原文標題： Theoretical research without projects

地址： arxiv.org/abs/1810.1138

作者： Miguel Navascues, Costantino Budroni

摘要： 我們提出了一個理論研究的資助計劃，該計劃不依賴於項目提案，而是依賴於最近的科學生產力。鑒於後者的定量數字和研究預算總額，我們引入了一些政策來決定每次撥款電話中的資金分配。在對科學生產力的一些假設下，一些此類政策被證明在許多撥款呼叫的限度內匯總到最大化整個科學界總生產率的資金配置。我們提出數值模擬，證明這些方案在科學生產力和/或評估中存在統計雜訊的情況下也能表現良好。最後，我們認為我們的一項政策不能被欺騙。我們的工作必須被理解為邁向科學研究資助理論的第一步。

聲明：Arxiv文章摘要版權歸論文原作者所有，由本人進行翻譯整理，未經同意請勿隨意轉載。本系列在微信公眾號「網路科學研究速遞」（微信號netsci）和個人博客 https://www.complexly.me （提供RSS訂閱）進行同步更新。

推薦閱讀：

相关文章