江苏龙网

  1. 首页 > 人文 > >

Arxiv网络科学论文摘要11篇(2020-10-12)

  • GitEvolve：预测GitHub存储库的演化;
  • 大规模随机实验揭示了机器学习可以帮助人们更有效地学习和记忆;
  • 动态模式分解用于电网负荷数据的预测和分析;
  • comp-syn：带有颜色的可感知接地词嵌入;
  • 仇恨是新的信息流行病：Twitter上仇恨言论扩散的主题感知建模;
  • 可持续发展的社会提示过程：分析框架;
  • 有效电阻不止是距离：拉普拉斯矩阵、单纯形和舒尔补;
  • 巴西葡萄牙语社交媒体中的有毒语言检测：新数据集和多语言分析;
  • 带节点边协同演化的异构图上的元图注意力;
  • 新的COVID-19波动的风险-以及它如何取决于R0， 当前的免疫度和当前的限制;
  • HENIN：学习异构神经交互网络以解释社交媒体上的网络欺凌;
GitEvolve：预测GitHub存储库的演化原文标题： GitEvolve: Predicting the Evolution of GitHub Repositories
地址：
作者： Honglu Zhou, Hareesh Ravi, Carlos M. Muniz, Vahid Azizi, Linda Ness, Gerard de Melo, Mubbasir Kapadia
摘要： 随着GitHub等平台的出现 ， 软件开发正变得越来越开放和相互协作 。 鉴于其至关重要的作用 ， 有必要更好地理解和建模GitHub作为社交平台的动态 。 以前的工作主要考虑了Twitter和Facebook等传统社交网站的动态 。 我们建议使用GitEvolve ， 该系统可预测GitHub信息库的发展以及用户与其交互的不同方式 。 为此 ， 我们开发了端到端的多任务顺序深度神经网络 ， 该网络提供了一些种子事件 ， 同时预测了下一步要与给定存储库进行交互的用户组 ， 交互的类型以及当它发生的时候 。 为了促进学习 ， 我们使用基于图的表示学习来编码存储库之间的关系 。 我们通过对共同兴趣建模来将用户映射到组 ， 以更好地预测受欢迎程度并在推理过程中将其推广到看不见的用户 。 我们引入一种人工事件类型 ， 以更好地建模数据集中存储库活动的变化水平 。 所提出的多任务体系结构是通用的 ， 可以扩展以建模其他社会网络中的信息传播 。 在一系列实验中 ， 我们使用多个指标和基线证明了所提出模型的有效性 。 对模型预测流行度和预测趋势的能力的定性分析证明了其适用性 。
大规模随机实验揭示了机器学习可以帮助人们更有效地学习和记忆原文标题： Large-scale randomized experiment reveals machine learning helps people learn and remember more effectively
地址：
【Arxiv网络科学论文摘要11篇(2020-10-12)】作者： Utkarsh Upadhyay, Graham Lancashire, Christoph Moser, Manuel Gomez-Rodriguez
摘要： 机器学习通常专注于开发模型和算法 ， 这些模型和算法最终将在需要智能的任务上取代人类 。 在这项工作中 ， 我们专注于揭示机器学习的潜力 ， 而不是取代人类 ， 以改善人们学习和记住事实材料的方式 。 为此 ， 我们对出行领域流行的学习应用程序中的数千名学习者进行了大规模的随机对照试验 。 在控制了学习的时间和频率之后 ， 我们发现 ， 使用机器学习优化学习课程的学习者所记住的内容要比使用两种替代试探法生成学习课程的学习者长67％ 。 我们的随机对照试验还显示 ， 使用机器学习优化了学习课程的学习者在4-7天内返回应用的可能性提高了 sim 50％ 。
动态模式分解用于电网负荷数据的预测和分析原文标题： Dynamic mode decomposition for forecasting and analysis of power grid load data
地址：
作者： Daniel Dylewsky, David Barajas-Solano, Tong Ma, Alexandre M. Tartakovsky, J. Nathan Kutz
摘要： 在几乎所有科学领域 ， 包括电力系统工程中的负载建模 ， 时间序列预测仍然是一个主要的挑战性问题 。 产生准确的预测的能力对实时控制 ， 定价 ， 维护和安全决策具有重要意义 。 我们介绍了一种新颖的负荷预测方法 ， 其中 ， 在时延坐标中使用动态模式分解（DMD）将观察到的动力学建模为强制线性系统 。 这种方法的核心是洞察力 ， 即网格负荷与复杂的现实世界系统上的许多可观测值一样 ， 具有“几乎是周期性”的特征 ， 即连续的傅立叶谱被主要峰值打断 ， 刻画了规则的（例如 ， 每天或每周） ）的动态重复 。 提出的预测方法通过（i）回归到本征谱映射到这些峰的确定性线性模型 ， 并（ii）同时学习随机高斯过程回归（GPR）过程来启动该系统 ， 从而利用了此属性 。 我们的预测算法与不使用其他解释变量的最新预测技术进行了比较 ， 并显示出出色的性能 。 此外 ， 就解释性和简约性而言 ， 其线性内在动力学的使用提供了许多理想的特性 。


推荐阅读


上一篇：公牛推出电竞充电器，1A1C双输出，集成能量呼吸灯

下一篇：Linux Kernel 5.9代码统计：10.5%是AMD Radeon显卡驱动