通过互信息最大化举行二部图嵌入;伪新闻检测的事件相关过滤方法;可解释的链路预测，用于掩护隐私的联系人跟踪;通过结构化的Gromov-Wasserstein重心学习石墨烯;关于COVID-19的推文中的用户问题：探索性研究;社交媒体警报可以改善，但不能替代洪水预报的水文模型;通过互信息最大化举行二部图嵌入原文标题： Bipartite Graph Embedding via Mutual Information Maximization地址： http://arxiv.org/abs/2012.05442作者： Jiangxia Cao, Xixun Lin, Shu Guo, Luchen Liu, Tingwen Liu, Bin Wang摘要： 由于二部图已在种种应用领域中广泛使用，因此二部图嵌入最近引起了许多关注。多数先前的方法接纳基于随机游动或基于重建的目的，通常可以有效地学习局部图结构。

可是，二部图的全局属性，包罗同质节点的社区结构和异质节点的恒久依赖关系，并未获得很好的保留。在本文中，我们提出了一种称为BiGI的二部图嵌入方法，以通过引入新颖的局部全局infomax目的来描画此类全局属性。详细来说，BiGI首先生成由两个原型表现形式组成的全局表现形式。

然后，BiGI通过提议的子图级注意机制将采样的边编码为局部表现。通过最大化局部和全局表现之间的相互信息，BiGI使二部图中的节点具有全局相关性。我们的模型在种种基准数据集上举行了评估，以评估top-K推荐和链路预测的任务。

大量的实验讲明，BiGI在最先进的基准上取得了一致且显著的进步。详细的分析证明晰对二部图的全局特性建模的高效性。

伪新闻检测的事件相关过滤方法原文标题： An Event Correlation Filtering Method for Fake News Detection地址： http://arxiv.org/abs/2012.05491作者： Hao Li (1), Huan Wang (1), Guanghua Liu (2) ((1) College of Informatics, Huazhong Agricultural University, (2) Department of Computer Science and Engineering, University at Buffalo, The State University of New York)摘要： 如今，社会网络平台已经成为人们体验新闻和事件的主要泉源，因为他们具有迅速流传信息的能力，这不行制止地为流传假新闻提供了沃土。因此，检测假新闻很是重要，否则可能引起民众误导和恐慌。现有的深度学习模型在解决虚假新闻检测问题上取得了长足的进步。

可是，训练有效的深度学习模型通常需要大量标志新闻，而在实际应用中提供足够的标志新闻既昂贵又耗时。为了提高对假新闻的检测性能，我们使用新闻的事件相关性，提出了一种用于假新闻检测的事件相关过滤方法（ECFM），主要由新闻特征符，伪标签注释器，事件可信度更新器，和新闻熵选择器新闻表征器卖力重新闻中提取文本特征，该新闻特征与伪标签注释器协作，通过充实使用新闻的事件相关性为未标志的新闻分配伪标签。另外，事件可信度更新器接纳自适应卡尔曼滤波器来削弱事件的可信度颠簸。

为了进一步提高检测性能，新闻熵选择器通过量化新闻标签的新闻熵来自动从伪标签新闻中发现高质量样本。最后，提出了以事件相关过滤的方式将ECFM举行集成以检测假新闻。大量实验证明，新闻事件相关性的可解释性引入有利于提高假新闻的检测性能。

可解释的链路预测，用于掩护隐私的联系人跟踪原文标题： Explainable Link Prediction for Privacy-Preserving Contact Tracing地址： http://arxiv.org/abs/2012.05516作者： Balaji Ganesan, Hima Patel, Sameep Mehta摘要： 使用“联系追踪”来识别与SARS-Cov2冠状病毒熏染者很是靠近的人。已经引入了许多数字条约跟踪应用法式，以促进或增补物理联系人跟踪。

可是，在条约跟踪应用法式的实现中存在许多隐私问题，这使人们不愿意在这些应用法式上安装或更新其熏染状态。在此观点文件中，我们提出了来自Graph Neural Networks和可解释性的想法，这些想法可以增进对这些应用法式的信任，并勉励人们接纳。通过结构化的Gromov-Wasserstein重心学习石墨烯原文标题： Learning Graphons via Structured Gromov-Wasserstein Barycenters地址： http://arxiv.org/abs/2012.05644作者： Hongteng Xu, Dixin Luo, Lawrence Carin, Hongyuan Zha摘要： 我们提出了一种新颖且有原则的方法来学习称为graphon的非参数图模型，该模型在无限维空间中界说并表现任意巨细的图。

基于来自石墨烯理论的弱纪律性引理，我们使用阶跃函数迫近一个石墨烯。我们讲明，石墨烯的切割距离可以放宽到其阶跃函数的Gromov-Wasserstein距离。

因此，给定一组由底层石墨烯生成的图，我们将学习相应的阶跃函数作为给定图的Gromov-Wasserstein重心。此外，我们对基本算法 e.g. 举行了一些增强和扩展，以保证学习的笔素的一连性以及平滑的Gromov-Wasserstein重心以及用于学习多个结构化石墨烯的混淆Gromov-Wasserstein重心。所提出的方法克服了现有技术的缺点，而且在综合数据和真实数据上均胜过它们。该代码位于https://github.com/HongtengXu/SGWB-Graphon。

关于COVID-19的推文中的用户问题：探索性研究原文标题： User Questions from Tweets on COVID-19: An Exploratory Study地址： http://arxiv.org/abs/2012.05836作者： Tiago de Melo摘要： 诸如Twitter之类的社交媒体平台为关注康健问题的用户（人员或患者）提供了合适的渠道，以相互讨论和共享信息。2019年12月，中国首次陈诉了几例冠状病毒疾病病例。不久之后，由于该病毒在世界其他地域的迅速流传，世界卫生组织（WHO）宣布进入紧迫状态。在这项事情中，我们使用了Twitter的COVID-19讨论的自动提取以及基于主题建模的自然语言处置惩罚（NLP）方法，以从推文中发现与COVID-19相关的主要问题。

此外，我们建立了命名实体识别（NER）模型，以识别四种差别种别的主要实体：疾病，毒品，人员和组织。我们的发现可以资助政策制定者和医疗保健组织明白COVID-19上的人员问题，并可以用来适当地解决他们。

社交媒体警报可以改善，但不能替代洪水预报的水文模型原文标题： Social Media Alerts can Improve, but not Replace Hydrological Models for Forecasting Floods地址： http://arxiv.org/abs/2012.05852作者： Valerio Lorini, Carlos Castillo, Domenico Nappo, Francesco Dottori, Peter Salamon摘要： 社交媒体可用于淘汰灾害风险，作为对传统信息源的增补，文献已经提出了许多方法来实现这一目的。例如，在洪水的情况下，严酷的天气预报和/或洪水预报可能会触发从社交媒体收集数据。相比之下，在本文中，我们探索了拥有完全独立于洪水的监控系统的可能性，该系统完全基于社交媒体，而且可以完全自我激活。这种独立性和自我激活将带来增强的鲁棒性，因为该系统将不依赖于其他预测机制。

我们视察到，社交媒体确实可以资助及早发现某些洪灾事件，否则这些洪灾事件要等到厥后才被发现，只管这会带来许多误报。总体而言，我们的实验讲明，社交媒体信号仅应用于增补现有的监控系统，而且我们提供了种种解释来支持这一看法。声明：Arxiv文章摘要版权归论文原作者所有，机械翻译后由本人举行校正整理，未经同意请勿随意转载。本系列在民众号“网络科学研究速递”（netsci）和小我私家博客举行同步更新。

本文来源：开云体育app-www.yingguifood.com