如何使電網中的發電機自動保持同步？ | 網路科學論文速遞6篇

• 電網中的自發同步;
• 利用圖距離矩陣的正則分解分析大型稀疏圖;
• 兩階段傳染的動態;
• 使用首次命中時間查找最大化收斂率達到共識的集合;
• 微觀級聯預測的神經擴散模型;
• COSINE：大規模信息網路的壓縮網路嵌入;

電網中的自發同步

Spontaneous synchrony in power-grid networks

地址：

http://arxiv.org/abs/1302.1914

作者：

Adilson E. Motter, Seth A. Myers, Marian Anghel, Takashi Nishikawa

摘要： 電網網路運行的一個必要條件是其發電機保持同步。干擾可以促使失步，這是一個涉及大量停電的過程。在這里，我們推導出一種條件，在該條件下，電網的期望同步狀態是穩定的，並且使用該條件來識別作為自發同步的決定因素的發電機的可調參數。

我們的分析產生了一種指定參數分配的方法，可以增強任何給定網路的同步，我們在選擇測試系統和實際電網時進行了演示。由於我們的結果涉及自發同步，因此它們既可以減少對傳統控制設備的依賴，又可以提供額外的保護層，因為大多數停電都涉及設備或操作錯誤，並有助於開發「智能電網」，實時從故障中恢復。

利用圖距離矩陣的正則分解分析大型稀疏圖

Analysis of large sparse graphs using regular decomposition of graph distance matrices

地址：

http://arxiv.org/abs/1811.10470

作者：

Hannu Reittu, Lasse Leskelä, Tomi Räty, Marco Fiorucci

摘要： 由於問題的高維度和非線性，大型和稀疏圖的統計分析是數據科學中的一個具有挑戰性的問題。本文提出了一種快速，可擴展的算法，用於根據觀察到的一組參考節點的圖距離將這些圖劃分為不相交的組。得到的分區提供全距離矩陣的低維近似，這有助於僅使用距離矩陣的小樣本來揭示圖的全局結構特性。

所提出的算法受到信息論最小描述原理的啟發。我們研究了該算法對所選實際數據集和使用隨機塊模型和冪律隨機圖生成的合成圖數據集的性能，以及具有有界平均度的稀疏隨機塊模型的分析考慮。

兩階段傳染的動態

The dynamics of two-stage contagion

地址：

http://arxiv.org/abs/1812.08867

作者：

Guy Katriel

摘要： 我們探索了旨在研究社會傳染的簡單模型，其中傳染通過兩個階段進行。當與人口統計學轉換相結合時，我們表明兩階段傳染導致非線性現象，這些現象在數學流行病學的基本「經典」模型中不存在。這些包括：雙穩態，關鍵轉換，內生振蕩和興奮性，表明具有階段的傳染模型可以解釋社會生活中遇到的複雜動態的某些方面。通過分析和數值方法的組合來研究這些現象和所涉及的分叉。

使用首次命中時間查找最大化收斂率達到共識的集合

Using First Hitting Times to Find Sets that Maximize the Convergence Rate to Consensus

地址：

http://arxiv.org/abs/1812.08881

作者：

Fern Y. Hunt

摘要： 在由簡單共識模型描述的社會網路中的通信模型中，我們提出了找到具有給定基數和固定共識值的節點子集的問題，其使得剩餘節點的值的最快收斂速率達到平衡。給定網路拓撲和稱為頑固節點的子集，均衡存在並且是頑固節點的初始值的凸和。非頑固節點處的值以指數方式收斂到其共識值，其速率常數由隨機遊走者的預期第一擊球時間確定，該隨機遊走者從節點開始並在其訪問的第一個頑固節點處結束。

在本文中，我們將使用頑固節點的預期第一次擊打時間的總和作為最小化問題的目標函數。它的解決方案是收斂速度最快的一套。我們提出了一種多項式時間方法，用於獲得固定基數小於參考頂點覆蓋的優化問題的近似解。在假設隨機遊走的轉移矩陣是不可約和可逆的情況下，我們還使用馬爾可夫鏈的混合理論得到了預期第一次擊球時間的上界，因此得到了收斂速度的上限。

微觀級聯預測的神經擴散模型

Neural Diffusion Model for Microscopic Cascade Prediction

地址：

http://arxiv.org/abs/1812.08933

作者：

Cheng Yang, Maosong Sun, Haoran Liu, Shiyi Han, Zhiyuan Liu, Huanbo Luan

摘要： 在過去十年中，信息傳播或級聯的預測引起了很多關注。大多數級聯預測工作的目標是預測級聯級宏觀屬性，例如級聯的最終大小。專注於用戶級建模的現有微觀級聯預測模型或者對用戶如何被級聯感染做出強烈假設，或者將自己限制在特定情況下，其中「誰感染了誰」信息被明確標記。強大的假設過分簡化了複雜的擴散機制，並阻止這些模型更好地擬合現實世界的級聯數據。此外，關注特定場景的方法不能推廣到未觀察到擴散圖的一般設置。

為了克服先前工作的缺點，我們提出了用於一般微觀級聯預測的神經擴散模型（NDM）。 NDM做出寬鬆的假設，並採用深度學習技術，包括注意機制和卷積網路進行級聯建模。這兩個優點使我們的模型能夠超越以前方法的限制，更好地擬合擴散數據並推廣到看不見的級聯。四個實際級聯數據集上的擴散預測任務的實驗結果表明，就F1得分而言，我們的模型相對於最佳表現基線可以做到高達26％的相對改善。

COSINE：

大規模信息網路的壓縮網路嵌入

COSINE: Compressive Network Embedding on Large-scale Information Networks

地址：

http://arxiv.org/abs/1812.08972

作者：

Zhengyan Zhang, Cheng Yang, Zhiyuan Liu, Maosong Sun, Zhichong Fang, Bo Zhang, Leyu Lin

摘要： 最近，在網路中學習節點的低維嵌入的方法激增。由於存在許多大規模的現實世界網路，現有方法在記憶體中存儲大量參數並在邊之後更新它們是低效的。

由於知道在嵌入空間中具有相似鄰域的節點將彼此接近，我們提出了COSINE（COmpresSIve NE）算法，其通過相似節點之間的參數共享來減少存儲器占用並加速訓練過程。 COSINE將圖分區算法應用於網路，並根據分區結果構建節點的參數共享依賴性。通過在相似節點之間共享參數，COSINE將關於更高結構信息的先驗知識注入到訓練過程中，使網路嵌入更加高效和有效。

COSINE可應用於任何嵌入查找方法，並學習記憶體有限且訓練時間短的高質量嵌入。我們進行多標籤分類和鏈路預測的實驗，其中基線和我們的模型具有相同的記憶體使用。實驗結果表明，COSINE使基線分類增加了23％，鏈路預測增加了25％。此外，使用COSINE的所有表示學習方法的時間從30％減少到70％。

來源：網路科學研究速遞

編輯：楊清怡

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。

電影腳本的多層網路模型 等10篇

商務合作及投稿轉載｜[email protected]

◆ ◆ ◆