基于异构信息网络的银行小微企业用户违约分析;PyGOD：用于图异常值检测的 Python 库;行人动力学的空间解构行为模型;稀疏网络的大规范集成和贝叶斯推理;网络级联中计算的自发涌现;最后通牒博弈中的社会公平控制;关于模拟多重传染的单重网络的局限性;通过深度强化学习搜索最优启发式，社会学习自发涌现;基于异构信息网络的银行小微企业用户违约分析原文标题： Heterogeneous Information Network based Default Analysis on Banking Micro and Small Enterprise Users地址： http://arxiv.org/abs/2204.11849作者： Zheng Zhang, Yingsheng Ji, Jiachen Shen, Xi Zhang, Guangwen Yang摘要： 风险评估是金融机构面临的一个重要问题，因其方法丰富性和各种实际应用而受到广泛研究。随着普惠金融的发展，近年来小微企业受到关注。与大公司相比，由于财务稳定性不稳，小微企业的违约风险较高。传统的努力通过精心设计的特征工程从历史数据中学习分类器。然而，小微企业面临的主要障碍是信用相关信息的严重不足，这可能会降低预测的性能。此外，金融活动具有多种显性和隐性关系，商业银行尚未充分利用这些关系进行风险判断。特别是对真实数据的观察表明，公司用户之间的各种关系在财务风险分析中具有额外的权力。在本文中，我们考虑了银行数据图，并为此提出了一种新颖的 HIDAM 模型。具体而言，我们试图在多类型节点和链路上结合具有丰富属性的异构信息网络，对商业银行服务场景进行建模。为了增强 MSE 的特征表示，我们通过元路径提取交互信息并充分利用路径信息。此外，我们分别设计了一种分层注意机制来学习每个元路径内内容的重要性和不同元路径的重要性。实验结果验证了 HIDAM 在真实银行数据上的表现优于最先进的竞争对手。PyGOD：用于图异常值检测的 Python 库原文标题： PyGOD: A Python Library for Graph Outlier Detection地址： http://arxiv.org/abs/2204.12095作者： Kay Liu, Yingtong Dou, Yue Zhao, Xueying Ding, Xiyang Hu, Ruitong Zhang, Kaize Ding, Canyu Chen, Hao Peng, Kai Shu, George H. Chen, Zhihao Jia, Philip S. Yu摘要： PyGOD 是一个开源 Python 库，用于检测图数据上的异常值。作为同类中的第一个综合库，PyGOD 支持多种领先的基于图的方法，用于节点、边、子图和图级异常值检测，采用统一的、文档齐全的 API，旨在供双方使用研究人员和实践者。为了克服大图的可扩展性问题，我们为选定的模型提供了高级功能，包括小批量和采样。 PyGOD 配备了促进代码可靠性和可维护性的最佳实践，包括单元测试、持续集成和代码覆盖率。为了促进可访问性，PyGOD 在 https://github.com/pygod-team/pygod/ 和 Python 包索引 (PyPI) 的许可 BSD 许可证下发布。行人动力学的空间解构行为模型原文标题： A Spatial Deconstruction Behavioural Model for Pedestrian Dynamics地址： http://arxiv.org/abs/2204.12131作者： Yao Xiao摘要： 如何在模拟中重现逼真的运动一直是行人动力学的一个基本问题，而当前研究的一个关键挑战是运动选择与人类行为的自然相关性。为了推进研究，我们在Voronoi图和Delaunay图的基础上，用行为运动网络解构了行人人群的二维空间，并据此制定了考虑长期路线选择和实时速度选择的行为模型.模拟结果与真实世界运动之间的比较表明，行为模型不仅可以处理传统场景，还能够描述具有挑战性的冲突情况下的一致运动。空间解构思想为识别和再现行人行为提供了几何视角，进一步有利于对行人动力学乃至机器人导航的理解和实现。稀疏网络的大规范集成和贝叶斯推理原文标题： Grand canonical ensembles of sparse networks and Bayesian inference地址： http://arxiv.org/abs/2204.06466作者： Ginestra Bianconi摘要： 最大熵网络集成在建模稀疏网络拓扑和解决具有挑战性的推理问题方面非常成功。然而，迄今为止提出的稀疏最大熵网络模型具有固定数量的节点并且通常不可交换。在这里，我们考虑稀疏限制中可交换网络的层次模型，即链接总数与节点总数线性尺度。该方法是大规范的，即网络的节点数量不是先验固定的：它是有限的，但可以任意大。通过这种方式，大规范网络集合绕过了处理无限稀疏可交换网络的困难，根据 Aldous-Hoover 定理，这些网络必须消失。该方法可以处理具有给定度分布的网络或具有给定潜在变量分布的网络。当仅知道由节点子集诱导的子图时，该模型允许对整个网络的网络大小和度序列（或潜在变量序列）进行贝叶斯估计，可用于网络重建。网络级联中计算的自发涌现原文标题： Spontaneous Emergence of Computation in Network Cascades地址： http://arxiv.org/abs/2204.11956作者： Galen Wilkerson, Sotiris Moschoyiannis, Henrik Jeldtoft Jensen摘要： 神经元网络计算和雪崩支持网络的计算对物理学、计算机科学（计算理论以及统计或机器学习）和神经科学领域很感兴趣。在这里，我们展示了复杂布尔函数的计算在阈值网络中作为连通性和对抗（抑制）的函数自发出现，由逻辑自动机（基序）以计算级联的形式计算。我们解释了基序的计算复杂度与其由基序引起的函数概率排序之间的反比关系，以及它与函数空间对称性的关系。我们还表明，此处观察到的最佳抑制分数支持计算神经科学中与最佳信息处理相关的结果。最后通牒博弈中的社会公平控制原文标题： Pinning control of social fairness in the Ultimatum game地址： http://arxiv.org/abs/2204.12033作者： Guozhong Zheng, Jiqiang Zhang, Zhenwei Ding, Lin Ma, Li Chen摘要： 社会经济活动和个人都非常需要体面的社会公平，因为它是社会福利和可持续性的基石之一。如何有效提升公平水平成为亟待解决的重大问题。在这里，通过采用锁定控制程序，我们发现当极少数个人（sim3%）在最后通牒博弈中被锁定为公平玩家时，整个人口意外地演变为完全公平水平。这种杠杆效应对种群的底层结构是稳健的，该过程通常是同质网络（1d lattice 和 ErdHos-R’enyi 随机网络）的一阶相变形式，而随着钉扎个体数量的增加，人口混合良好。然而，对于异构网络（例如无标度网络），一个集线器节点就足够了，甚至可以应用开关控制程序来进一步降低控制成本。在后一种情况下会出现间歇性故障，我们的统计分析表明演变显示出某种程度的关键性。我们的工作表明，在必要时，固定控制程序可能是促进某些真实场景的社会公平的好策略。关于模拟多重传染的单重网络的局限性原文标题： On limitations of uniplex networks for modeling multiplex contagion地址： http://arxiv.org/abs/2204.12348作者： Nicholas W. Landry, Jimi Adams摘要： 许多实质性过程本质上是多路的，但在分析实践中经常被简化为单路网络上的过程。我们着眼于数据建模选择如何影响传染过程的预测。我们证明了多重传染过程不仅仅是传染过程在其组成的单重网络上的结合。我们使用来自两种不同背景的多重网络数据——一个行为网络使用“简单”流行病学模型来表示他们的传染病传播潜力，另一个来自在线社交网站用户，使用基于阈值的方式来表示他们的信息传播潜力“复杂”的传染过程。我们的结果表明，即使将它们组合起来，从单工网络开发的模型也不能准确地表示多路数据的传染性，并且（组合的）单工和多路结果之间的差异的性质取决于这些网络上的特定传播过程.通过深度强化学习搜索最优启发式，社会学习自发涌现原文标题： Social learning spontaneously emerges by searching optimal heuristics with deep reinforcement learning地址： http://arxiv.org/abs/2204.12371作者： Seungwoong Ha, Hawoong Jeong摘要： 自然界中的社会动物个体是如何演化为相互学习的，在特定环境中这种学习的最佳策略是什么？在这里，我们通过采用深度强化学习模型来优化多维环境中合作博弈中主体的社会学习策略 (SLS) 来解决这两个问题。在整个最大化整体收益的训练中，我们发现智能体自发地学习了各种社会学习的概念，例如复制、关注频繁和表现良好的邻居、自我比较以及平衡个人和社会学习的重要性，没有任何明确的指导或有关系统的先验知识。来自经过充分训练的主体的 SLS 在平均收益方面优于所有传统的基线 SLS。我们展示了强化学习主体在各种环境中的卓越性能，包括时间变化的环境和真实的社会网络，这也验证了我们的框架对不同社会环境的适应性。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。
本文出自快速备案，转载时请注明出处及相应链接。