城市形态和增长的分形建模与空间分析：以深圳市为例 | 网络科学论文速递14篇

集智斑图最新论文栏目，关注复杂系统、网络科学、计算社会科学、统计物理等领域的前沿进展，每天即时更新相关顶刊论文，和最新arXiv预印本论文。

本文是对近期 arX iv 论文的 汇总编译（by 彩云小译）。更多最新论文，请扫二维码获取。

核心速递

• 城市形态与增长的分形建模与空间分析——以深圳市为例；
• 金融应用中用于联邦学习的不同私有安全多方计算；
• 面向5G-V2V 通信的基于多代理深度强化学习的分布式资源分配；
• 多主体强化学习中的图卷积值分解；
• 利用局部因果状态的时空自动编码器；
• 复杂环境中的拓扑活性物质；
• 细胞通信中信息传输的效能；
• 系谱图中的幂律动力学；
• 因子分解图卷积网络；
• 图形神经网络实用指南；
• 第二波浪潮的前兆: 对目前德国新冠肺炎死亡人数的分析；
• 来自系统物理的稳健设计；
• 网络中高阶依赖的有效建模: 从算法到异常检测的应用；
• 网络中心视角下的公平感知；

城市形态与增长的分形建模

与空间分析——以深圳市为例

原文标题：
Fractal-based modeling and spatial analysis of urban form and growth: a case study of Shenzhen in China

地址：

https://pattern.swarma.org/paper?id=95d54400-0d0b-11eb-ac7c-0242ac1a000c

作者：

Xiaoming Man,Yanguang Chen

摘要：城市增长的分形维数曲线可以用 s 形函数来模拟，包括 Logistic函数和二次 Logistic函数。不同类型的逻辑函数表明不同的空间动态。西方国家城市增长的分形维数曲线遵循 Logistic函数，而中国北方城市的增长曲线遵循二次 Logistic函数。现在我们想知道是否所有的中国城市都遵循同样的城市演化规律。本文致力于探索中国南方城市深圳的分形和分形维数属性。将城市区域划分为4个子区域，采用 ArcGIS 技术、盒子计数法提取空间数据集，利用最小二乘回归估计分形参数。结果表明: (1)深圳市城市形态具有明显的分形结构，但不同分区的分形维数值不同; (2)所有4个研究区的分形维数增长曲线都只能用公共 Logistic函数模拟，拟合优度随时间增加; (3)深圳市的城市增长高峰在1986年以前已经过去，分形维数增长正在接近其最大容量。结果表明，深圳城市形态具有多重分形的特征，分形结构经过20多年的发展已逐渐趋于完善，但其土地资源正在接近增长极限。深圳城市增长的分形维数曲线与欧美城市相似，但与中国北方城市不同。这表明我国南北城市发展存在着微妙的动力机制差异。

金融应用中用于联邦学习的

不同私有安全多方计算

原文标题：
Differentially Private Secure Multi-Party Computation for Federated Learning in Financial Applications

地址：

https://pattern.swarma.org/paper?id=fb75d31c-0d1d-11eb-ac7c-0242ac1a000c

作者：

David Byrd,Antigoni Polychroniadou

摘要：联邦学习允许一群客户机使用可信服务器协作学习共享的机器学习模型，同时将每个客户机的数据保留在自己的本地系统中。这降低了暴露敏感数据的风险，但是仍然可以从通信的模型参数反向工程客户的私有数据集的信息。因此，大多数联邦学习系统使用差分隐私参数来引入噪声。这给任何披露私人客户数据的尝试增加了不确定性，但也降低了共享模型的准确性，限制了保护隐私的噪音的有用范围。系统还可以包括安全的多方计算，从而进一步降低协调服务器恢复私有客户端信息的能力，而不会造成额外的准确性损失。将两种技术结合起来的方法对金融公司尤其重要，因为它允许在不暴露敏感客户数据的情况下为合作学习提供新的可能性。这可以为最佳交易执行、信贷创造或欺诈检测等重要任务生成更精确的模型。本文的主要贡献是: 我们向非专业用户展示了一个保护隐私的联邦学习协议，在真实世界的信用卡欺诈数据集上演示了它的 Logit模型，并使用一个开源仿真平台对它进行了评估，我们已经将这个平台适应于联邦学习系统的开发。

面向5G-V2V 通信的

基于多代理深度强化学习的

分布式资源分配

原文标题：
Distributed Resource Allocation with Multi-Agent Deep Reinforcement Learning for 5G-V2V Communication

地址：

https://pattern.swarma.org/paper?id=fa13c38a-0d1d-11eb-ac7c-0242ac1a000c

作者：

Alperen Gündogan,H. Murat Gürsu,Volker Pauli,Wolfgang Kellerer

摘要：研究了车对车(V2V)通信中没有基站时的分布式资源选择问题。每个车辆自动从共享资源池中选择传输资源，以传播协作感知信息(Cooperative Awareness Messages，CAMs)。这是一个共识问题，每个车辆必须选择一个唯一的资源。由于机动性，当相邻车辆的数量动态变化时，这个问题就变得更具挑战性。在拥挤的情况下，为每辆车分配唯一的资源是不可行的，必须制定一个拥挤的资源分配策略。5G 中的标准化方法即半持久调度(semi-persistent scheduling，SPS)受到车辆空间分布的影响。在我们的方法中，我们将其转化为一种优势。我们提出了一种新的分布式资源分配机制，该机制使用了基于唯一状态表示的多代理强化学习协议(DIRAL)。一个具有挑战性的问题是如何处理由并发学习代理引入的非平稳性，这种非平稳性会导致多代理学习系统的收敛问题。我们的目标是解决非平稳与唯一的状态表示。具体来说，我们将基于视图的位置分布作为状态表示来处理非平稳性，并以分布式方式执行复杂的联合行为。我们的结果表明，在具有挑战性的拥挤情况下，DIRAL 比 SPS 提高了20% 的 PRR。

多主体强化学习中的图卷积值分解

原文标题：
Graph Convolutional Value Decomposition in Multi-Agent Reinforcement Learning

地址：

https://pattern.swarma.org/paper?id=e60ab164-0d1d-11eb-ac7c-0242ac1a000c

作者：

Navid Naderializadeh,Fan H. Hung,Sean Soleyman,Deepak Khosla

摘要：本文提出了一种新的基于图神经网络的多智能体深度强化学习中值函数分解框架。特别地，我们把代理团队看作是一个完全有向图的节点集合，其边权值由一个注意机制控制。在此基础图的基础上，我们引入了一个混合 GNN 模块，该模块负责两个任务: i)将团队状态-行动值函数分解为每个个体的观察-行动值函数，ii)根据全局团队报酬的分数，为每个个体分配明确的信用分配。我们的方法，我们称之为 GraphMIX，遵循集中式培训和分散式执行模式，使代理能够在培训完成后独立地做出决策。星际争霸 II 多智能体挑战(SMAC)环境的实验结果证明了我们提出的方法相对于现有技术的优越性。

利用局部因果状态的

时空自动编码器

原文标题：
Spacetime Autoencoders Using Local Causal States

地址：

https://pattern.swarma.org/paper?id=9696529e-0d15-11eb-ac7c-0242ac1a000c

作者：

Adam Rupe,James P. Crutchfield

摘要：局部因果状态是复杂时空系统中捕获有组织模式和结构的潜在表征。我们扩展了它们的功能，把它们定义为时空自动编码器。在此之前，它们只被认为是从可观测的时空场到潜在的局部因果状态场的映射。在这里，我们展示了一个随机解码，映射回从潜在的领域到观察的领域。此外，它们的马尔可夫性质定义了潜在空间中的随机动力学。结合随机译码，提出了一种新的时空域预测方法。

复杂环境中的拓扑活性物质

原文标题：
Topological Active Matter in Complex Environments

地址：

https://pattern.swarma.org/paper?id=b29c069e-0d12-11eb-ac7c-0242ac1a000c

作者：

Parisa Rahmani,Fernando Peruani,Pawel Romanczuk

摘要：具有度量和拓扑相互作用的聚集模型被认为具有非常明显的特征，例如，移动极带的存在和不存在。利用 Voronoi 和 k- 近邻相互作用规则，我们证明了拓扑模型在复杂环境下恢复了均匀介质中度量模型的若干特征。特别是，我们发现，即使在空间非均匀性存在下，有序也是长程的，而且环境诱导了有效的密度-有序耦合，允许形成行进带。

细胞通信中信息传输的效能

原文标题：
Efficacy of information transmission in cellular communication

地址：

https://pattern.swarma.org/paper?id=a1c8c14a-0d12-11eb-ac7c-0242ac1a000c

作者：

Sumantra Sarkar,Sandeep Choubey

摘要：细胞间和细胞内的信号传导对于个体细胞执行各种生理任务和准确响应环境变化是必不可少的。信号通过可扩散的分子进行传递，其传递通常借助于提供定向平流的活动过程。在细胞信号传递过程中，扩散和平流如何共同影响信息传递的准确性，目前还没有进一步的研究。为此，我们研究了细胞信号的一维模型，并计算互信息(MI)作为信息传递的度量。我们发现，只有当系统参数大于1时，信息传递效率才随着平流的增加而提高。有趣的是，MI 展示了佩克莱特数的重要拥有属性。我们证明了观察到的 MI 依赖于信号分子的传输特性对细胞通讯有重要的影响。

系谱图中的幂律动力学

原文标题：
Power law dynamics in genealogical graphs

地址：

https://pattern.swarma.org/paper?id=c7e2c004-0d0f-11eb-ac7c-0242ac1a000c

作者：

Francisco Leonardo Bezerra Martins,José Cláudio do Nascimento

摘要：在进化算法中实现时，一些通用网络提供了复杂的拓扑结构。这些拓扑的一个共同特征是出现了幂定律。在系谱网络中，可以通过测量个体对种群的影响来观察幂律，这可以通过事件接管价值(ETV)算法来计算。本文证明了系谱图的 ETV 分布导致的不同幂律偏差是动态演化的静态图像，可以用 q 指数分布很好地描述。

因子分解图卷积网络

原文标题：
Factorizable Graph Convolutional Networks

地址：

https://pattern.swarma.org/paper?id=7035e838-0d0d-11eb-ac7c-0242ac1a000c

作者：

Yiding Yang,Zunlei Feng,Mingli Song,Xinchao Wang

摘要：图被广泛用来表示实体之间的结构联系。这些关系在许多情况下是异质的，但是纠缠在一起，并且仅仅表示为一对节点之间的一条边。例如，在一个社交网络图中，处于不同潜在关系中的用户，如朋友和同事，通常通过一个隐藏了这种内在联系的裸露边缘连接起来。本文介绍了一种新的图卷积网络(GCN) ，称为可分解图卷积网络(FactorGCN)。FactorGCN 以一个简单的图作为输入，并将其分解成若干个分解图，每个分解图表示节点之间的潜在和分解关系。然后将节点的特征分别聚合在每个分解的潜在空间中，产生分离的特征，从而进一步提高下游任务的性能。我们从定性和定量两个方面对所提出的 FactorGCN 进行了评估，结果表明，它在分离和特征聚合两方面都取得了令人鼓舞的代码可以在 https://github.com/ihollywhy/factorgcn.pytorch 公开获取。

图形神经网络实用指南

原文标题：
A Practical Guide to Graph Neural Networks

地址：

https://pattern.swarma.org/paper?id=63360078-0d0d-11eb-ac7c-0242ac1a000c

作者：

Isaac Ronald Ward,Jack Joyner,Casey Lickfold,Stash Rowe,Yulan Guo,Mohammed Bennamoun

摘要：图形神经网络(gnn)最近在人工智能领域越来越受欢迎，因为它们具有独特的能力，可以摄取相对非结构化数据类型作为输入数据。尽管 GNN 体系结构的某些元素在操作上与传统神经网络(和神经网络变体)在概念上相似，但其他元素代表了对传统深度学习技术的背离。本教程通过整理和展示最常见类型的 gnn 的动机、概念、数学和应用的细节，向一般的深度学习爱好者展示 gnn 的力量和新颖性。重要的是，我们简明地介绍了这个教程，并提供了工作过的代码示例，以及介绍性的步骤，从而提供了一个理解和使用 gnn 的实用和易访问的指南。

第二波浪潮的前兆:

对目前德国新冠肺炎死亡人数的分析

原文标题：
The foreshadow of a second wave: An analysis of current COVID-19 fatalities in Germany

地址：

https://pattern.swarma.org/paper?id=9bbec954-0d0b-11eb-ac7c-0242ac1a000c

作者：

Matthias Linden,Jonas Dehning,Sebastian B. Mohr,Jan Mohring,Michael Meyer-Hermann,Iris Pigeot,Anita Schbel,Viola Priesemann

摘要：第二波 SARS-CoV-2疫情正在数十个国家展开。然而，第二波病例在新报告病例中表现强烈，但与第一波病例相比，死亡人数较少。在过去的三个月里，德国报告的病例增加了五倍或更多，而死亡人数几乎没有增加。这种差异促使人们推测，报告病例的增加不会反映第二波疫情，而只是更广泛的检测。我们发现，这种明显的差异在很大程度上可以用感染者的年龄结构来解释，并且预测在不久的将来，随着传播再次扩大到老年人群，死亡人数将明显增加。为了重新建立控制，避免超过创科技产能的引爆流行，案件数量必须降低。否则，控制传播和保护弱势群体将需要更多的限制性措施时，最新的医院容量达到。

来自系统物理的稳健设计

原文标题：
Robust Design from Systems Physics

地址：

https://pattern.swarma.org/paper?id=9b106bfc-0d0b-11eb-ac7c-0242ac1a000c

作者：

Andrei A. Klishin,Alec Kirkley,David J. Singer,Greg van Anders

摘要：在现代工程、集成系统中，一个重要的挑战是产生健壮的设计。确保稳健设计是困难的，因为子系统耦合对整个系统规范的变化产生不可预知的响应。在这里，我们表明设计元素对整个系统规格变化的响应可以用强/弱和脆/韧二分法来描述，就像材料一样。我们发现这些二分法来自于早期设计问题的细观处理，我们用应力-应变关系来描述这些问题。与其他最先进的技术相比，我们提出了一个双因素鲁棒性度量，它是可计算的设计解决方案集。我们用海军工程中的排列问题的例子来说明这种方法的使用，但是我们的方法立即适用于集成系统设计中的广泛问题。

网络中高阶依赖的有效建模:

从算法到异常检测的应用

原文标题：
Efficient modeling of higher-order dependencies in networks: from algorithm to application for anomaly detection

地址：

https://pattern.swarma.org/paper?id=9525f194-0d0b-11eb-ac7c-0242ac1a000c

作者：

Mandana Saebi,Jian Xu,Lance M. Kaplan,Bruno Ribeiro,Nitesh V. Chawla

摘要：以动态网络为代表的复杂系统，由通过直接或间接相互作用而相互影响的组件组成。最近的研究表明，使用高阶网络(HONs)对这类复杂系统进行建模和分析的重要性，因为在开发一阶网络(FON)时，典型的马尔可夫假设是有限的。这种高阶网络表示不仅能够更精确地表示底层的复杂系统，而且能够导致更精确的网络分析。在本文中，我们首先提出了一个可扩展的和精确的模型，BuildHON + ，用于高阶网络表示的数据来自一个复杂的系统，具有不同的依赖顺序。然后，我们证明了这种由 BuildHON + 建模的高阶网络表示法在识别异常方面比 FON 具有更高的准确性，这表明了对高阶网络表示法和复杂系统建模的需求，以便得出有意义的结论。

网络中心视角下的公平感知

原文标题：
Fairness Perception from a Network-Centric Perspective

地址：

https://pattern.swarma.org/paper?id=333ad84e-0d0d-11eb-ac7c-0242ac1a000c

作者：

Farzan Masrour,Pang-Ning Tan,Abdol-Hossein Esfahanian

摘要：随着机器学习算法的影响越来越广泛，算法公平性成为近年来人们关注的主要问题。本文从网络中心的角度研究算法公平性问题。具体来说，我们介绍了一种新的直观函数，称为网络中心公平感知，并提供了一种公理化方法来分析其性质。使用同行评议网络作为案例研究，我们也检查了其在评估纸上接受决定的公平感知方面的效用。我们展示了如何将这个函数扩展到一个被称为公平可见性的群体公平度量标准，并证明了它与人口平等的关系。我们还举例说明了公平性可见性度量的潜在缺陷，这可能被用来误导个人认为算法决策是公平的。我们演示了如何通过增加公平感知函数的局部邻域大小来解决这个问题。

来源：集智斑图 编辑：王建萍

如果你经常关注复杂系统和跨学科研究进展，是网络论文速递栏目的长期读者，欢迎扫描集智小助手，向我们反馈你的需求。欢迎提出宝贵意见，我们一起来探索追踪前沿进展的更好方式。

参与论文速递用户调研后，我们将邀请你加入集智的科研文献交流群。

近期网络科学论文速递

集智俱乐部QQ群｜877391004

◆ ◆ ◆

加入“没有围墙的研究所”

让苹果砸得更猛烈些吧！