复杂网络上广义互惠的合作动力学;使用图表示学习处理缺失数据;netrd：用于网络重建和图距离的库;打车出行需求差异对交通弹性的影响：伊利诺伊州芝加哥市邻里效应的多层次分析;一种新颖的可配置基于主体的仿真模型，可减少任何肿瘤科的患者等待时间;使用多因素Twitter数据分析方法预测美国2020年11月的选举结果;COVI-AgentSim：用于评估数字联系人跟踪方法的基于主体的模型;哪些模型特征重要？一种评估电力市场建模选择的实验方法;复杂网络上广义互惠的合作动力学原文标题： Cooperation dynamics of generalized reciprocity on complex networks地址： http://arxiv.org/abs/2010.16356作者： Viktor Stojkoski摘要： 最近的研究表明，可以通过广义互惠来解释合作行为的出现，广义互惠是一种基于“如果有人帮助，则帮助他人”的行为机制。
在复杂的系统中，合作动力学很大程度上由网络结构决定，网络结构决定了相邻个人之间的交互。
尽管有大量的研究，但网络结构在通过广义互惠促进合作中的作用仍然是一个尚未被探索的现象。
在本博士论文中，我们利用动力系统理论中的基本工具，并为研究复杂网络上广义互惠的合作动力学建立了一个统一的框架。
我们使用该框架对广义互惠在促进三种不同的互动结构中的合作中的作用进行了理论上的概述：i）社会困境，ii）多维网络和iii）波动的环境。
结果表明，通过普遍的互惠进行的合作总是作为唯一的吸引子出现的，在该吸引子中，合作的整体水平最大化，同时防止了参与个体的剥削。
网络结构的影响通过局部中心度度量来刻画，该度量通过指示微观和宏观层次上显示的协作程度来唯一地量化网络结构的协作倾向。
结果，我们成果的实施可能不仅仅解释合作的发展。
特别是，它们可以直接应用于处理能够充分模仿现实的人工系统开发的领域，例如强化学习。
使用图表示学习处理缺失数据原文标题： Handling Missing Data with Graph Representation Learning地址： http://arxiv.org/abs/2010.16418作者： Jiaxuan You, Xiaobai Ma, Daisy Yi Ding, Mykel Kochenderfer, Jure Leskovec摘要： 具有缺失数据的机器学习已经以两种不同的方式进行了处理，包括特征归因（其中基于观察值估计缺失特征值）和标签预测（其中下游标签直接从不完整数据中学习）。
但是，现有的归因模型往往具有很强的先验假设，无法从下游任务中学习，而针对标签预测的模型通常涉及启发式算法，并且可能遇到可伸缩性问题。
在这里，我们提出了GRAPE，GRAPE，一种基于图的框架，用于特征插补和标签预测。
GRAPE使用图表示法来解决丢失的数据问题，其中观察和特征被视为二部图中的两种类型的节点，而观察到的特征值则作为边。
在GRAPE框架下，特征插补被公式化为边级预测任务，而标签预测被公式化为节点级预测任务。
然后使用Graph Neural Networks解决这些任务。
在9个基准数据集上的实验结果表明，与现有的最新方法相比，GRAPE的插补任务平均绝对误差降低了20％，标签预测任务的平均绝对误差降低了10％。
netrd：用于网络重建和图距离的库原文标题： netrd: A library for network reconstruction and graph distances地址： http://arxiv.org/abs/2010.16019作者： Stefan McCabe, Leo Torres, Timothy LaRock, Syed Arefinul Haque, Chia-Hung Yang, Harrison Hartle, Brennan Klein摘要： 在过去的二十年中，随着大型网络数据集可用性的提高，我们目睹了网络科学的迅速兴起。
但是，对于许多系统而言，我们可以访问的数据并不是对底层网络的直接描述。
越来越多地，我们看到了研究从非网络数据推断或重建的网络的动力，特别是使用来自系统节点的时间序列数据来推断它们之间可能的连接。
为该任务选择最合适的技术是网络科学中一个具有挑战性的问题。
不同的重建技术通常具有不同的假设，并且它们的性能在现实世界中随系统的不同而不同。
解决此问题的一种方法可能是使用几种不同的重建技术并比较生成的网络。
但是，网络比较也不是一个容易的问题，因为如何最好地量化两个网络之间的差异并不明显，部分原因是这样做的工具多种多样。
netrd Python软件包试图通过在一个库（https://github.com/netsiphd/netrd）中提供我们所知的网络重构技术和网络比较技术（通常称为图距离）的最广泛集合来解决网络科学中的这两个并行问题。
在本文中，我们详细介绍了netrd包的两个主要功能。
在此过程中，我们描述了其一些其他有用的功能。
该程序包建立在常用的Python程序包的基础上，并且已经是网络科学家和其他多学科研究人员广泛使用的资源。
随着正在进行的开源开发，我们将其视为一种工具，以后所有类型的研究人员都将继续使用它。
打车出行需求差异对交通弹性的影响：伊利诺伊州芝加哥市邻里效应的多层次分析原文标题： Disparities in ridesourcing demand for mobility resilience: A multilevel analysis of neighborhood effects in Chicago, Illinois地址： http://arxiv.org/abs/2010.15889作者： Elisa Borowski, Jason Soria, Joseph Schofer, Amanda Stathopoulos摘要： 出行弹性是指尽管计划外的运输系统中断，个人仍能完成所需旅行的能力。
诸如出行服务之类的新的按需机动性选项的潜力，可以填补机动性中无法预测的空白，这是自适应能力的未得到充分开发的
