核心速递

• 利用网络科学量化区域投入产出网络的经济扰动;
  

• 社会网络相关主题舆论传播动力学;
  

• 具有模糊社会关系的异质专业社交网络中的表征学习;
• 从图信号进行中心性排名的盲推理;
• 基于MPI的自适应采样逼近数十亿条边;
• 从人工智能角度研究选举：2019年阿根廷初级和总统选举的案例;
• 高斯不确定模型下的非贝叶斯社会学习;
• 采用强化学习最小化出租车空闲时间;
• 当前网络欺凌检测的局限性：评估标准、再现性和数据稀缺性;
• 多重效率指数：解密巴西航空运输多重网络;
• 人群计数的Logistic模型;
• 符号社会网络最大化对立观点;
• 理解图数据集同构偏差;
• CONNA：实时名称消歧;
• 使用智能合约保护个人数据;
• 基于用户生成内容的在线新闻媒体网站排名;
• 迈向成功的社交媒体广告：预测推特的商业影响力;
• 二分网络潜在空间生成模型;
• 单纯复形的谱维数：重整化群理论;
• 基于BERT的迁移学习方法用于在线社交媒体仇恨言论检测;
• 基于渗流理论的多源数据量化城市区域;
• 网上造谣和维基百科的作用;
• 自杀想法检测：机器学习方法与应用研究综述;
• 具有概率腐败的执法者和违法者群体合作的演化动力学;
• 大脑反应时间：从个体到群体描述;

利用网络科学量化区域

投入产出网络的经济扰动

原文标题：

Using network science to quantify economic disruptions in regional input-output networks

地址：

http://arxiv.org/abs/1910.12498

作者：

Emily P. Harvey, Dion R.J. O’Neale

摘要：投入产出（IO）表提供了一种标准化的方法来看待一个经济体中所有行业之间的相互联系，并且经常被用来估计中断或冲击对经济体的影响。IO表可以看作是网络（节点是不同的行业，边是它们构成的矩阵）我们发展了一个基于网络的分析，以考虑一个国家内的区域和次区域一级的多区域信息作战网络。我们计算了传统的基于矩阵的IO度量（例如乘数）和新的基于网络理论的度量，并将这些度量与应用于相同IO数据的中断模型的结果进行了比较。我们发现，基于路径的测度，如介数中心性，很好地表示了经济破坏，而特征向量中心性测度给出的结果与传统的IO乘数相当。我们还展示了在不同的空间聚集层次上处理IO网络的效果。

社会网络相关主题舆论传播动力学

原文标题：

Opinion Dynamics on Correlated Subjects in Social Networks

地址：

http://arxiv.org/abs/1910.10960

作者：

Alessandro Nordio, Alberto Tarable, Carla Fabiana Chiasserini, Emilio Leonardi

摘要：了解集体信仰的演变对于洞察政治趋势以及社会观点至关重要，其中发展分析模型是关键，它可以预测信念的动力学机制，并捕捉不同主题观点的相互依赖性。本文还讨论了个人观点演化的内生过程，以及个人观点之间在个人敌对态度下可能产生的排斥性相互作用。利用平均场理论，我们通过多维Fokker-Planck方程描述了大量个体观点的时间演化，并确定了稳定性保持的条件。最后，我们得出稳态观点分布作为个人的个性和现有的社会互动的函数。我们的数值结果显示了不同社会群体的集体信念中有趣的动力学，它们突出了相关主体以及具有对抗态度的个体的影响。

原文标题：

Representation Learning in Heterogeneous Professional Social Networks with Ambiguous Social Connections

地址：

http://arxiv.org/abs/1910.10763

作者：

Baoxu Shi, Jaewon Yang, Tim Weninger, Jing How, Qi He

摘要：网络表示已经被证明可以提高各种任务的性能，包括分类、聚类和链路预测。然而，大多数模型要么集中在中等大小的同构网络上，要么需要由用户提供大量的辅助输入。此外，很少有人研究现实世界中具有模糊社会关系的异质社会网络中的表征学习，而且他们的研究往往是不完整的。在本研究中，我们探讨了异质性专业社交网络（HPSNs）中不完全且具有模糊社会关系的低维节点的表征学习问题。本文提出了一种通用的异构网络表征学习模型Star2Vec，该模型利用有偏随机游走的社会连接强度和节点结构扩展函数联合学习实体和人的嵌入。在LinkedIn的经济图和Facebook的网络上的实验表明，Star2Vec优于现有的成员、行业和社交圈分类、技能和标题聚类以及成员实体的链路预测方法。我们还进行了大规模的案例研究，以展示在LinkedIn经济图表上训练的Star2Vec嵌入技术的实际应用，例如下一个职业变动、替代职业建议和一般实体相似性搜索。

原文标题：

Blind Inference of Centrality Rankings from Graph Signals

地址：

http://arxiv.org/abs/1910.10846

作者：

T. Mitchell Roddenberry, Santiago Segarra

摘要：我们研究了盲中心度排序问题，我们的目标是仅从节点观测值推断节点的特征向量中心性排序，即不需要关于网络拓扑的信息。我们将这些节点观测形式化为图形信号，并将其建模为底层（未观测）网络上网络进程的输出。本文提出了一种简单的谱算法来估计相关邻接矩阵的主特征向量，从而作为中心性排序的主要依据。本文对算法进行了有限速率性能分析，得到了正确排列（高概率）两个感兴趣节点所需的图信号数的下界。然后，我们专门分析了特定的情况下，密集的ER随机图，其中现有的图论结果可以利用。最后，我们通过在生成网络和真实网络中的数值实验来说明所提出的算法，特别强调了网络特性对网络性能的影响。

基于MPI的自适应

采样逼近数十亿条边

原文标题：

Scaling Betweenness Approximation to Billions of Edges by MPI-based Adaptive Sampling

地址：

http://arxiv.org/abs/1910.11039

作者：

Alexander van der Grinten, Henning Meyerhenke

摘要：介数中心性是网络分析中最常用的节点中心性度量之一。因此，已经设计了许多（顺序和并行）算法来计算或近似中间性。最近的算法进展使得有可能在共享内存算法结构上非常有效地逼近中间性。然而，对于大型图，特别是对于直径较大的图或需要较小相对误差的图，最好的共享内存算法仍然需要几个小时的运行时间。在这项工作中，我们提出了一个基于MPI的概括的最先进的共享内存算法之间的近似。该算法是基于自适应采样的，我们的并行化策略同样适用于其他问题的自适应采样算法。在一个16个节点集群上的实验中，考虑到我们的并行化重点（自适应采样阶段），我们基于MPI的实现比最先进的共享内存实现快16.1倍。对于完整的算法，我们得到一个平均值（GEOM）比现有技术提高7.4倍。对于一些以前非常具有挑战性的输入，这个加速比要高得多。因此，本文提出的算法是第一个能在十分钟以内完成高精度大图（数十亿条边）的节点介数中心性计算任务的算法。

原文标题：

Artificial intelligence for elections: the case of 2019 Argentina primary and presidential election

地址：

http://arxiv.org/abs/1910.11227

作者：

Zhenkun Zhou, Hernan A. Makse

摘要：我们使用一种基于机器学习、大数据分析和网络理论的方法来处理在Twitter上发布的数百万条信息，以预测选举结果。该模型准确预测候选人阿尔贝托·费尔南德斯（Alberto  Fe）和总统毛里西奥·马克里（Mauricio  Macri）在2019年8月11日举行的阿根廷总统初选中大获全胜的结果。而该国传统民调机构都无法预测这一结果，并导致债券市场大崩盘。我们将该模型应用于即将于2019年10月27日举行的阿根廷总统选举，结果如下：费尔南德斯47.5%，马克里30.9%，第三方21.6%。与传统的投票方法相比，我们的方法有所改进，传统的投票方法是基于与少数人的直接交互，这些人受到不断下降的响应率的困扰。因此，本文提供了一种可靠的投票方法，不仅可以用于预测选举，还可以发现社会上的任何趋势，例如人们对气候变化、政治或教育的看法。

原文标题：

Non-Bayesian Social Learning with Gaussian Uncertain Models

地址：

http://arxiv.org/abs/1910.11251

作者：

James Z. Hare, Cesar Uribe, Lance Kaplan, Ali Jadbabaie

摘要：非贝叶斯社会学习理论通过观察结果的似然更新，依次传递和更新关于未知世界状态的信念，为在社会网络上交互的一组主体的分布式推理提供了框架。通常，似然模型被假定为精确已知。然而，在许多情况下，由于缺乏数据可用性、高收集/校准成本、通信网络内的限制和作战环境的高动态性，模型是从稀疏的训练数据生成的。最近，社会学习理论被扩展到处理分类模型的模型不确定性。本文介绍了高斯不确定模型理论，研究了由主体网络产生的信念的性质。研究证明，即使在有限的训练数据量下，也可以实现非贝叶斯社会学习，并且网络中的所有主体都会收敛到一个一致的信念，即在给定先验信息集的情况下，可以证明对世界状态的最佳估计。

原文标题：

Using reinforcement learning to minimize taxi idle times

地址：

http://arxiv.org/abs/1910.11918

作者：

Kevin O’Keeffe, Sam Anklesaria, Paolo Santo, Carlo Ratti

摘要：出租车需要花费大量时间闲逛以寻找乘客。因此，空出租车的路线应遵循一定的规则，以尽量减少他们的空闲时间；然而，内在规则的确定依赖于复杂的数量，如乘客的需求，交通状况，和出租车之间的竞争。本文应用强化学习（RL）来解决出租车路线问题。使用真实世界的数据来表征乘客的需求，我们证明了强化学习确实学会了如何减少出租车的闲置时间。在许多环境中，都可以发现樽雪强化学习算法的出租车相比一般出租车空闲时间更少。

原文标题：

Current Limitations in Cyberbullying Detection: on Evaluation Criteria, Reproducibility, and Data Scarcity

地址：

http://arxiv.org/abs/1910.11922

作者：

Chris Emmery, Ben Verhoeven, Guy De Pauw, Gilles Jacobs, Cynthia Van Hee, Els Lefever, Bart Desmet, Véronique Hoste, Walter Daelemans

摘要：网络欺凌发现在社会重要性、研究普及度和可用的公开数据方面都有所增加。然而，尽管计算能力和资源的可负担性持续增加，但对高质量数据的访问限制了最新技术的适用性。因此，最近的许多研究使用的是小的、异构的数据集，而没有对其适用性进行彻底的评估。在本文中，我们进一步说明了这些问题。首先，我们评估了这项任务的许多公共资源，并说明了数据收集的困难。这些小数据集无法捕获所需的复杂社会动态，并不利于对研究进展进行直接比较。其次，我们进行了一系列广泛的实验，表明在这些数据源上训练的分类器普遍缺乏跨域泛化，并公开提供了这个框架来复制和扩展我们的评估标准。最后，我们提出了一种有效的众包方法：在实验室环境中模拟现实生活中的欺凌场景，生成可信的数据，可以有效地用于丰富真实数据，并在很大程度上规避了对可以收集的数据的限制，提高了分类器的性能。我们相信这些贡献有助于改进该领域未来研究的经验做法。

原文标题：

The Multiplex Efficiency Index: unveiling the Brazilian Air Transportation Multiplex Network — BATMN

地址：

http://arxiv.org/abs/1910.11974

作者：

Izabela M. Oliveira, Laura C. Carpi, A.P.F. Atman

摘要：现代社会越来越紧密地联系在一起，重新体现了在复杂网络中组织社会、经济和技术结构的普遍趋势。近年来，随着所谓的多重网络的出现，需要有新的概念来更好地理解这种现象，以及分析和量化这些系统的效率和综合性。多重网络中的多样性概念是这种本质上跨学科的努力的一个突出例子，这种努力是为了更好地理解复杂网络的性质。在这项工作中，我们使用与巴西航空运输网络相关的数据引入了一个新的指数，即多重效率指数，该指数允许量化多样性的时间演变，特别是当多重网络的层数随时间变化时。我们通过结合多样性和多元化效率的衡量来证明，由于巴西机场的私有化进程和航空公司的合并，巴西航空运输网络多年来发生了显著变化。除此之外，我们还展示了多重效率指数是如何以非偏倚的方式量化网络效率的，主要是由于它考虑了多重网络层的数量。我们认为，所提出的指标对于量化任何复用网络的效率，特别是对独立于层数变化的时间演化进行定量分析具有重要价值。

原文标题：

Logistic model for crowd counting

地址：

http://arxiv.org/abs/1910.11995

作者：

Byung Mook Weon

摘要：人群可能停留或移动在特定的区域和时间。由于人群的流动性，人群计数通常是一项困难的任务。本文提出了一个基于Logistic的物理模型来解释人群流动对人群规模的影响。该模型揭示了人群流动性和增长率对人群计数的共同贡献。该模型是一个静态和移动人群动力学的框架。

原文标题：

Maximizing Contrasting Opinions in Signed Social Networks

地址：

http://arxiv.org/abs/1910.12017

作者：

Kaivalya Rawal, Arijit Khan

摘要：经典的影响力最大化问题在社会网络中发现了有限数量的种子用户，使得在网络中的期望用户数在一个多用户级联模型之后最大化。在不同的背景下，本文针对该问题进行了研究，并进一步推广了图的结构，如边权和极性、目标用户类别等。在本文中，我们引入了一个独特的影响扩散场景，该场景涉及一个分裂为两个不同组、具有相反观点的种群。我们的目的是寻找最具影响力的K个种子节点，同时最大限度地采用两个截然不同的对立观点。研究发现，群体中的内讧用户在提高选民参与度和投票率、引导公众辩论和讨论有争议的社会问题等广泛的应用中都是必不可少的。我们用选民模型来模拟观点扩散动力学，然后设计一个线性时间和精确算法COSiNeMax，同时也研究了网络中的长期观点特征。通过对多个真实数据集的实验，证明了该算法在不同基线下的有效性。

原文标题：

Understanding Isomorphism Bias in Graph Data Sets

地址：

http://arxiv.org/abs/1910.12091

作者：

Sergei Ivanov, Sergei Sviridov, Evgeny Burnaev

摘要：近年来，基于图结构数据的分类方法迅速增加。无论是在图内核还是在图形神经网络中，成功的最新模型的一个隐含假设是：将图形同构特征融入到体系结构中可以获得更好的经验性能。然而，正如我们在这项工作中发现的那样，用于图分类的常用数据集具有重复的实例，这导致了同构偏差问题，即通过从训练集中记忆目标信息来人为地提高模型的准确性。这就阻碍了算法的公平竞争，并对所得结果的有效性提出了质疑。我们分析了54个数据集，这些数据集以前广泛用于与图形相关的任务，为机器学习的实践者提供了一组建议来正确地建立他们的模型，并为未来的实验提供了开源的数据集。

原文标题：

CONNA: Addressing Name Disambiguation on The Fly

地址：

http://arxiv.org/abs/1910.12202

作者：

Bo Chen, Jing Zhang, Jie Tang, Lingfan Cai, Zhaoyu Wang, Shu Zhao, Hong Chen, Cuiping Li

摘要：在社会搜索、学术搜索等许多在线系统中，名字消歧是一个关键问题，也是一个非常棘手的问题。尽管进行了大量的研究，但一个尚未系统研究的关键问题是实时消歧。这是非常具有挑战性的，因为消歧算法必须准确、高效和鲁棒。本文提出了一种新的基于强化学习的匹配构件和决策构件联合训练框架CONNA。匹配组件负责为给定的论文找到最匹配的候选人，决策组件负责决定分配最匹配的人或创建新的人。这两个部分是相互交织的，可以通过联合训练进行引导。根据经验，我们评估了大型在线学术搜索系统AMiner上的CONNA。实验结果表明，经过匹配分量和决策分量的联合训练，该框架可以使F1得分提高5.37%-19.84%。所提出的CONNA已成功地部署在AMiner上。

原文标题：

Protecting Personal Data using Smart Contracts

地址：

http://arxiv.org/abs/1910.12298

作者：

Mohsin Ur Rahman, Fabrizio Baiardi, Barbara Guidi, Laura Ricci

摘要：分散式在线社交网络（DOSNs）被提出作为当前集中式在线社交网络（OSNs）的替代方案。在线社交网络是基于集中式架构（如Facebook、Twitter或Google），而DOSNs没有充当中央权威的服务提供商，用户对其信息拥有更多的控制权。在过去几年里，有人提出了几项建议。然而，OSN的分散化需要一个有效的解决方案来保护用户的隐私，并评估用户之间的信任。区块链代表了一种颠覆性的技术，它已经应用于多个领域，其中也包括社交网络。本文提出了一个基于区块链技术的可管理、用户驱动、可审计的DOSN访问控制框架。在该方法中，区块链被用作对隐私政策定义的支持。资源所有者使用主题的公钥来实现基于角色的访问控制策略，而一旦在区块链上验证访问权限，则使用与主体帐户相关联的私钥对私有数据进行解密。我们通过使用Rinkeby以太坊测试网来部署智能合约并评估其性能与我们的解决方案。实验结果表明，该方案通过在区块链上部署智能合约实现了可管理的、用户驱动的访问控制。

原文标题：

Online News Media Website Ranking Using User Generated Content

地址：

http://arxiv.org/abs/1910.12441

作者：

Samaneh Karimi, Azadeh Shakery, Rakesh Verma

摘要：新闻媒体网站是重要的在线资源，引起了文本挖掘研究者的高度关注。本研究的主要目的是提出一个从不同角度对线上新闻网站进行排名的框架。新闻网站的排名是非常有意义的，对新闻检索、新闻推荐等许多与新闻相关的工作都有很大的帮助。在该框架中，新闻网站的排名是通过计算文中介绍的三个指标，并基于用户生成的内容来获得的。每一个指标都从特定的角度关注新闻网站的表现，包括新闻报道的完整性、网站所涵盖事件的多样性及其速度。在这个框架中使用用户生成的内容，作为一个公正、实时和低成本的网络内容，将提出的新闻网站排名框架与文献区分开来。英国广播公司、美国有线电视新闻网、纽约时报三家知名新闻网站的调查结果显示，英国广播公司在新闻完整性和速度方面的表现最好，纽约时报的多样性也最好。

原文标题：

Towards Successful Social Media Advertising: Predicting the Influence of Commercial Tweets

地址：

http://arxiv.org/abs/1910.12446

作者：

Renhao Cui, Gagan Agrawal, Rajiv Ramnath

摘要：企业使用Twitter进行交流有多种原因——提高对品牌的认识，推销新产品，回应社区评论，并有针对性地与客户和潜在客户建立联系。为了让企业有效地做到这一点，他们需要了解推文有哪些内容和结构元素会使其变得不切实际，即广受欢迎、关注和转发。本文提出了一种系统的方法来分析商业推文，并预测其对读者的影响。我们的模型结合了修饰和元特征，相比基线模型和推文嵌入模型具有更好的预测能力。此外，为了演示这项工作的实际应用，我们将展示如何设计一个不成功的推文，以增加其成功的潜力。

原文标题：

Latent space generative model for bipartite networks

地址：

http://arxiv.org/abs/1910.12488

作者：

Demival Vasques Filho, Dion R.J. O’Neale

摘要：生成网络模型对于理解在网络形成中运行的机制非常有用，并且广泛应用于多个知识领域。然而，当涉及到二分网络时，在社会系统中经常遇到的一类实际上是不存在的网络。在这里，我们提出了一个在双曲线平面上生长的二分网络的潜在空间生成模型。它是基于最大熵方法的单模式网络模型的扩展。研究表明，通过复制二分结构性质，如度分布和小循环，可以更好地模拟二分网络，并且可以自然地评估单模投影网络的性质。

单纯复形的谱维数：重整化群理论

原文标题：

The spectral dimension of simplicial complexes: a renormalization group theory

地址：

http://arxiv.org/abs/1910.12566

作者：

Ginestra Bianconi, Sergey N. Dorogovtsev

摘要：单纯复形被越来越多地用于研究复杂系统的结构和动力学，包括扩散、同步和流行病传播。图拉普拉斯算子的谱维数决定了图在长时间尺度上的扩散性质。本文利用重整化群计算了两类不可修正的一维单纯复形的图拉普拉斯算子的谱维数：阿波罗网络和伪分形网络。我们分析了谱维数与拓扑维数d的标度关系              ，并且我们发现随机性，如网络几何中的随机性，会降低这些结构的光谱维数。

原文标题：

A BERT-Based Transfer Learning Approach for Hate Speech Detection in Online Social Media

地址：

http://arxiv.org/abs/1910.12574

作者：

Marzieh Mozafari, Reza Farahbakhsh, Noel Crespi

摘要：社交媒体中的一部分用户产生了仇恨言论的内容，这促使研究者将大量的精力投入到仇恨言论内容识别的问题研究中。我们不仅需要一个基于机器学习和自然语言处理的高效自动仇恨语音检测模型，而且需要大量的标注数据来训练模型。目前，这一领域研究的主要问题是缺乏大量的具有标签的仇恨语音数据。为了解决这些需求，在这项研究中，我们基于迁移学习方法来训练现有的预先训练的语言模型，称为BERT模型。更具体地说，我们研究了BERT使用基于迁移学习的微调方法捕获社交媒体内容中的仇恨言论上下文的能力。为了评估我们提出的方法，我们使用两个公开可用的数据集，这些数据集已经在Twitter上被注释为种族主义、性别歧视、仇恨或攻击性内容。结果表明，相比现有方法，在识别精度和召回率方面，我们的解决方案获得了相当大的性能提升。此外，我们的模型可以捕捉到数据注释和收集过程中的一些偏差，并有可能引导我们找到一个更精确的模型。

原文标题：

Quantifying urban areas with multi-source data based on percolation theory

地址：

http://arxiv.org/abs/1910.12593

作者：

Wenpu Cao, Lei Dong, Lun Wu, Yu Liu

摘要：量化城市区域对于解决相关的城市问题（如环境和可持续问题）至关重要。遥感数据，特别是夜间光照图像，在世界范围内被广泛应用于城市区域的划分。同时，一些新兴的城市数据，如志愿地理信息（如OpenStreetMap）和社会感知数据（如手机、社交媒体）也显示出了揭示城市边界和动力学的巨大潜力。然而，从这些多源数据中量化城市地区的一致和稳健的方法仍然难以捉摸。在这里，我们提出了一种基于渗流理论的方法来从这些多源城市数据中提取城市区域。在渗流理论的支持下，考虑城市系统的临界性质，得到了最优的城市/非城市阈值。此外，我们对28个国家的人口、道路和夜间光照三个开源数据集应用了该方法。结果表明，该方法能从多源数据中捕捉到与城市相似的城市特征，且在大多数国家都适用Zipf定律。由不同数据集导出的城市区域与全球人类住区层（GHSL）的结果吻合较好，可以通过数据融合进一步改进。我们的研究不仅提供了一种用开源数据量化城市区域的科学方法，而且加深了对城市系统的理解，为地理领域的多源数据融合提供了一些启示。

原文标题：

Online Disinformation and the Role of Wikipedia

地址：

http://arxiv.org/abs/1910.12596

作者：

Diego Saez-Trumper

摘要：这项研究的目的是寻找有助于打击维基百科造谣的关键研究领域。为了解决这个问题，我们进行了一次文献回顾，试图回答三个主要问题：（i）什么是去虚假信息（ii）什么是最流行的网络信息传播机制（iii）哪些是目前用来对抗虚假信息的机制。在所有这三个问题中，我们首先采取一般性的方法，考虑来自新闻传播、社会学、哲学、信息和政治科学等不同领域的研究，并与维基百科生态系统的研究现状进行比较。我们的结论是，为了使维基百科尽可能不受虚假信息的影响，有必要帮助巡警及早发现虚假信息，并评估外部来源的可信度。还需要更多的研究来开发工具，使用最先进的机器学习技术来检测潜在的危险内容，使巡警能够处理越来越复杂和复杂的攻击。

原文标题：

Suicidal Ideation Detection: A Review of Machine Learning Methods and Applications

地址：

http://arxiv.org/abs/1910.12611

作者：

Shaoxiong Ji, Shirui Pan, Xue Li, Erik Cambria, Guodong Long, Zi Huang

摘要：自杀是现代社会的一个重要问题。及早发现和预防自杀未遂，是挽救人民生命的重要措施。目前的自杀意念检测方法包括基于社会工作者或专家与目标个体互动的临床方法，以及基于在线社交内容的自动检测的特征工程或深度学习的机器学习技术。这是第一次全面介绍和讨论这些类别的方法。根据数据来源，如问卷调查、电子健康记录、自杀笔记和在线用户内容，对自杀意念检测领域的具体应用进行了综述。为了便于进一步的研究，本文介绍了几个具体的任务和数据集。最后，总结了目前工作的局限性，并对进一步的研究方向提出了展望。

原文标题：

Evolutionary dynamics of cooperation in a population with probabilistic corrupt enforcers and violators

地址：

http://arxiv.org/abs/1910.12629

作者：

Linjie Liu, Xiaojie Chen, Attila Szolnoki

摘要：亲社会惩罚是和谐稳定社会的重要驱动力。然而，这个机构很容易受到腐败的影响，因为违法者可以通过向腐败的执法者行贿来避免受到制裁。因此，了解利他主义行为如何在腐败的环境中生存是一个悬而未决的问题。为了揭示潜在规律，我们将腐败的执行者和违法者引入公共物品博弈中，并假设惩罚者作为腐败的执行者，可能会选择叛逃者接受贿赂，同时叛逃者作为腐败的违法者，可能会选择惩罚者随机腐败。运用数学分析的方法，研究在这种腐败环境中合作演化的必要条件。我们认为，可以通过两种不同的方式在人口中保持合作。首先，合作者、叛逃者和惩罚者可以共存，所有人都保持着稳定的人口比例。其次，这三种策略可以形成一种循环优势，类似于石头剪刀布循环或异质循环。我们从理论上识别竞争策略共存时的条件，或者它们以循环的方式相互支配。

原文标题：

Brain Reaction Times. From Individual to Collective Description

地址：

http://arxiv.org/abs/1910.12725

作者：

Juan Carlos Castro-Palacio, Pedro Fernández de Córdoba, J. M. Isidro, Esperanza Navarro-Pardo

摘要：在实验心理学中，个体对视觉刺激的反应时间数据通常用一个指数高斯函数（EGF）来表示，即指数函数和高斯函数之间的卷积。在大多数以前的研究中，研究者主要致力于寻找GF的三个参数与认知障碍等心理现象之间的关系。我们将重点解释一组个体的反应时间，而不是一个人的反应时间，这与社会科学的不同背景有关。在这样做的过程中，从反应时间数据中得到了与理想气体（IG）相同的模型。我们在这篇文章中指出，控制一组个体的实验反应时间的规律与控制一个无生命系统，即一个非相互作用粒子（理想气体）系统的动力学规律是相同的。这两个系统的特征是一个集合参数，在粒子系统中是我们称之为大脑系统的寿命参数。这两个系统的动力学都是由它们各自的恒温器相互作用驱动的，恒温器的特征是粒子系统中的温度和类恒温器的实体，我们称之为时间驱动。类似地，我们遇到了大脑系统的麦克斯韦 - 玻尔兹曼分布，它提供了比以往任何时候都更完整的集体时间反应的特征。在这项工作中采取的另一个主要步骤是，现在我们能够了解单个个体相对于他们所属的同时代群体的行为。这一事实直接导致了一种新的基于熵的方法论，用于对形成系统的个体进行分类，这一方法论产生于支配大脑系统的物理定律。

来源：网络科学研究速递

审校：赵子鸣

编辑：张爽

声明：Arxiv文章摘要版权归论文原作者所有，由本人进行翻译整理，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://www.complexly.me （提供RSS订阅）进行同步更新。

近期网络科学论文速递

通过守旧者、叛逆者和墙头草产生的两种意见动力学 | 网络科学论文速递21篇

使用迁移学习理解社会网络 | 网络科学论文速递21篇

通过路径的自动发现建立异构网络相似性模型 | 网络科学论文速递28篇

人类成瘾现象的统计描述 | 网络科学论文速递28篇

使用图神经网络进行重叠社区发现 | 网络科学论文速递24篇

不同地理和技术尺度下创新复杂性的涌现 | 网络科学论文速递24篇

加入集智，一起复杂！