一种用于网络重构与动力学学习的通用深度学习框架

许多复杂过程可视为网络上的动力系统。然而在实际情形中，仅能观测到系统的表现，网络结构与动力学规则并未被观测到。因此，从观测到的时间序列数据中恢复潜在的网络结构与动力学是一项重要任务，因为它可能帮助我们打开黑箱，甚至自动构建复杂系统的模型。尽管该问题在生物学、地球科学和传染病学等领域有丰富的潜在应用，传统方法存在局限。本工作中，我们引入一个新框架——Gumbel图网络（GGN），这是一种无模型、数据驱动的深度学习框架，用于完成网络连接及其上动力学的重构。我们的模型由两部分联合训练：一个利用Gumbel Softmax技术生成离散网络的网络生成器；以及一个利用所生成网络与单步轨迹值预测未来状态动力学学习器。我们在不同种类的时间序列数据上展示了框架的通用性：在相同结构下，我们的模型可被训练以在连续、离散和二值动力学上准确恢复网络结构并预测未来状态，且优于竞争性的网络重构方法。