NetSlo ’25 IX. srečanje raziskovalcev s področja analize omrežij Univerza v Ljubljani Ekonomska fakulteta 23. januar 2025 IX. srečanje raziskovalcev s področja analize omrežij NetSlo ’25 Zbornik povzetkov prispevkov Ljubljana, 23. januar 2025 IX. srečanje raziskovalcev s področja analize omrežij (NetSlo ’25) Zbornik povzetkov prispevkov Organizacijski odbor Mina Ličen (UL EF) • Anuška Ferligoj (UL FDV) • Vlado Batagelj (IMFM in UP IAM) • Marjan Cugmas (UL FDV) • Andrej Kastrin (UL MF) • Luka Kronegger (UL FDV) • Zoran Levnajić (FIŠ) • Lovro Šubelj (UL FRI) • Ljupčo Todorovski (UL FMF) Urednika Mina Ličen • Andrej Kastrin Izdajatelj in založnik Statistično društvo Slovenije Ljubljana, 2025 Elektronski vir PDF Način dostopa https://netslo.mf.uni-lj.si/netslo25zbornik.pdf Kataložni zapis o publikaciji (CIP) pripravili v Narodni in univerzitetni knjižnici v Ljubljani COBISS.SI-ID 223476739 ISBN 978-961-94283-7-5 (PDF) Predgovor Pozdravljeni na NetSlo ’25! Deveto, tradicionalno, Srečanje raziskovalcev s področja analize omrežij poteka na Ekonomski fakulteti Univerze v Ljubljani (UL). Analiza omre-žij, pogosto označena tudi kot znanost 21. stoletja, je vsebinsko močno razvejano in izrazito transdisciplinarno področje raziskovanja. V prete-klem stoletju je analiza omrežij botrovala nekaterim paradigmatskim miselnim preskokom v proučevanju kompleksnih socialnih sistemov. Kasneje je mdr. omogočila razumevanje zgradbe in mehanizmov delo-vanja svetovnega spleta. Danes analiza omrežij utira nova spoznanja v vedah o živem in je takorekoč pospeševalnik razvoja njihovega véde-nja. Prvo srečanje, takrat še pod imenom Mreženje slovenskih netvorkašev, je potekalo leta 2015 na Fakulteti za računalništvo in informatiko UL. Kasneje se je srečanje preimenovalo v NetSlo, po zgledu znamenitih NetSci konferenc. Letošnji dogodek poteka v soorganizaciji Ekonomske fakultete, Fakul-tete za družbene vede, Fakultete za računalništvo in informatiko, Fakul-tete za matematiko in fiziko, Medicinske fakultete (vse UL) in Fakultete za informacijske študije v Novem mestu. Nova znanstvena spoznanja bodo predstavili trije vrhunski raziskovalci, ki tako ali drugače krojijo smernice razvoja v analizi omrežij. Prisluhnili boste lahko tudi štirim študentskim prispevkom, dogodek pa bomo dopolnili z okroglo mizo. Zaključili bomo z neformalnim druženjem in večerjo pod Rožnikom. Lepo znanstveno popoldne! Organizacijski odbor iv Program 12:30–13:00 Prihod udeležencev in registracija 13:00–13:15 Nagovor organizatorja 13:15–13:45 R. Kaše Omrežje primerjalnih podjetij na področju plač in nagrajevanja vrhnjega managementa 13:45–14:15 A. Žiberna Bločno modeliranje povezanih omrežij 14:15–14:30 M. Jurkovič Globoko učenje nad relacijskimi podatki 14:30–14:45 M. Kalc Odkrivanje avtomobilskih goljufij s strojnim učenjem na grafih 14:45–15:15 Odmor 15:15–15:30 V. Stropnik Napovedovanje podaj na nogometnih tekmah 15:30–15:45 T. Štrempfel Omrežja možganske povezljivosti in socialna izključenost 15:45–16:15 F. Battiston Higher-order network science 16:15–16:45 Odmor 16:45–18:00 Okrogla miza 18:00–18:05 Zaključek 18:30–22:30 Večerja v Gostilni Čad 1 Povzetki prispevkov Omrežje primerjalnih podjetij na področju plač in nagraje-vanja vrhnjega managementa Prof. dr. Robert Kaše Univerza v Ljubljani, Ekonomska fakulteta, Ljubljana, Slovenija Povzetek Podjetja se pri oblikovanju plačnih paketov za vrhnje managerje obi-čajno zgledujejo po njim primerljivih podjetjih (npr. glede na dejavnost, velikost, poslovno uspešnost). V ZDA je regulator SEC (angl. Securities and Exchange Commission) že pred približno 20 leti uvedel zahtevo, da vsa podjetja, ki kotirajo na borzi, formalno razkrijejo skupino primer-jalnih podjetij (angl. compensation peer group). V svojem prispevku bom predstavil koncept omrežja primerjalnih podjetij na področju plač in nagrajevanja vrhnjega managementa (angl. compensation peer ne-twork) ter njegov potencial za strokovno in raziskovalno delo. Prav tako bom osvetlil rezultate dveh raziskav, v katerih smo s kolegi proučevali vpliv primerjav na podobnost plačnih paketov za vrhnje managerje, na mobilnost vrhnjih managerjev ter na vključevanje meril trajnostnega delovanja v pogodbe managerjev. 3 Bločno modeliranje povezanih omrežij Prof. dr. Aleš Žiberna Univerza v Ljubljani, Fakulteta za družbene vede, Ljubljana, Slovenija Povzetek Bločno modeliranje je metoda za razvrščanje enot v omrežjih v skupine, ki obenem razvrsti tudi (potencialne) povezave v bloke. Najprej bodo predstavljene osnovne značilnosti bločnega modeliranja na enostavnih (enovrstnih) omrežjih, nato pa še bločno modeliranje tako imenovanih povezanih omrežij. Gre za omrežja, ki jih lahko razumemo kot več omrežji, katerih značilnost je, da so enote (ne nujno vse) iz enega omrežja povezani z enotami iz drugih omrežij. Predvsem bomo pogledali dva posebna tipa takih omrežij in sicer več-nivojska omrežja in omrežja, merjena v več časovnih točkah. Predstavljene bodo tudi analize so-avtorskih omrežji s temi pristopi. 4 Globoko učenje nad relacijskimi podatki Martin Jurkovič Univerza v Ljubljani, Fakulteta za računalništvo in informatiko, Ljubljana, Slo-venija Povzetek Velik del podatkov v svetu je shranjen v relacijskih bazah, kjer so po-datki organizirani v tabele, povezane s primarnimi in tujimi ključi. Kljub popularnosti relacijskih baz pa je gradnja modelov strojnega učenja s temi podatki zahtevna in časovno potratna. Osnovni problem je v tem, da se trenutne metode strojnega učenja lahko učijo le iz ene tabele, zato je treba podatke najprej ročno združiti in agregirati v eno učno tabelo— proces, znan kot inženiring značilk (angl. feature engineering). Proces inženiringa značilk je počasen, pristranski in nagnjen k napakam, zato vodi do suboptimalnih modelov. Relacijsko globoko učenje (angl. relati-onal deep learning) povezuje globoko učenje in relacijsko sklepanje za učinkovitejše modeliranje in razumevanje relacijskij podatkov. Relacij-sko globoko učenje omogoča globokim nevronskim mrežam delovanje na nespremenjenih strukturiranih podatkih z vključevanjem konceptov grafov, entitet, povezav in njihovih predstavitev (angl. embeddings). 5 Odkrivanje avtomobilskih goljufij s strojnim učenjem na grafih Matej Kalc Zurich Insurance Group Ltd., Zürich, Švica Povzetek Vsako leto se zgodi na milijone prometnih nesreč, vendar so nekatere namerno povzročene ali imajo pretirano visoke stroške. Ekonomske posledice zavarovalniških goljufij niso zanemarljive, zato za zaznavanje teh goljufij uporabljamo izdelana pravila in strojno učenje. Najbolj priljubljeni modeli strojnega učenja delujejo s tabelaričnimi podatki, ki niso idealni za zaznavanje avtomobilskih goljufij. Podatke o goljufijah najbolje predstavimo kot omrežje vozlišč in povezav. V prispevku pred-stavimo nadzorovani heterogeni grafovski detektor prevar. Ta dosega višjo AUC oceno in nižjo Brier mero v primerjavi s tabelaričnima mode-loma (XGBoost in nevronska mreža). Optimalna rešitev za odkrivanje avtomobilskih goljufij je hibridni model, ki združuje predlagan model in XGBoost ter povpreči njune napovedi. Hibridni model je boljši od tabelaričnih modelov, saj je njegova natančnost za 17.4 % višja. 6 Napovedovanje podaj na nogometnih tekmah Vid Stropnik Univerza v Ljubljani, Fakulteta za računalništvo in informatiko, Ljubljana, Slo-venija Povzetek V modernem nogometu imajo podatki in iz njih pridobljeno znanje ključno vlogo pri oblikovanju taktičnih načrtov. Predstavili bomo zmo-žnost modeliranja podajalčevega odločanja pri izbiri tarče med nogo-metno tekmo z uporabo grafov. V grafih nogometnih tekem vozlišča predstavljajo igralce na igrišču, povezave pa interakcije med njimi. Dotaknili se bomo pomembnosti različnih značilk, kot so vektorji igral-čevih premikov ter domenski modeli nadzora igrišča, ter njihov vpliv na delovanje različnih grafovskih nevronskih mrež, s katerimi podaje napovedujemo. 7 Omrežja možganske povezljivosti in socialna izključenost Teja Štrempfel Fakulteta za informacijske študije, Novo mesto, Slovenija Povzetek Omrežna nevroznanost preučuje omrežja možganske povezljivosti, ki predstavljajo aktivnosti in interakcije med različnimi deli možganov. V tem predavanju poročamo o razlikah med omrežji možganske po-vezljivosti glede na socialno vključenost ali izključenost. Rezultati izhajajo iz elektroencefalogramskih (EEG) meritev, ki smo jih izvedli na 32 udeležencih, med tem ko so igrali Cyberball igro—uveljavljeno online simulacijo, ki pod kontroliranimi pogoji izziva občutek socialne vključenosti oz. izključenost. Iz pridobljenih EEG podatkov smo na-redili omrežja možganske povezljivosti ter jih analizirali z metodami statistike in strojnega učenja. Preliminarni izsledki kažejo, da je mogoče socialno vključenost/izključenost zaznati iz aktivnosti možganov. 8 Higher-order network science Prof. dr. Federico Battiston Central European University, Vienna, Austrija Abstract The complexity of many biological, social and technological systems stems from the richness of the interactions among their units. Over the past decades, a variety of complex systems has been successfully described as networks whose interacting pairs of nodes are connected by links. Yet, from human communications to ecological systems, inte-ractions can often occur in groups of three or more nodes and cannot be described simply in terms of dyads. Until recently little attention has been devoted to the higher-order architecture of real complex sy-stems. However, a mounting body of evidence is showing that taking the higher-order structure of these systems into account can enhance our modeling capacities and help us better understand and predict their collective behavior. Here I will present an overview of network science beyond pairwise interactions, describe the higher-order organization of a variety of real-world complex networks at different scales, and discuss emergent phenomena characterizing dynamical processes when extended beyond pairwise interactions 9 Donatorji 10 https://netslo.mf.uni-lj.si