从网络结构预测动力学可观测量的一类机器学习方法
物理与社会
2019-10-02 v1 社会与信息网络
数据分析、统计与概率
摘要
从结构特征估计给定动力学过程的结果，是网络科学中一个关键未解难题。该目标受复杂系统结构与动力学间非线性、关联与反馈等困难所阻碍。本工作中，我们开发了一种基于机器学习算法的方法，被证明可对上述难题给出解答。具体而言，我们展示可以从单个节点出发估计疾病暴发规模，以及由 Kuramoto 振子组成系统的同步程度。在此过程中，我们展示了网络的哪些拓扑特征对此估计至关重要，并提供了比以往更精确的网络度量重要性排序。我们的方法具有通用性，可应用于运行于复杂网络之上的任意动力学过程。同样，我们的工作构成了将机器学习方法应用于揭示复杂网络系统中涌现动力学模式的重要一步。
引用
@article{arxiv.1910.00544,
title = {A machine learning approach to predicting dynamical observables from network structure},
author = {Francisco A. Rodrigues and Thomas Peron and Colm Connaughton and Jurgen Kurths and Yamir Moreno},
journal= {arXiv preprint arXiv:1910.00544},
year = {2019}
}
备注
5 pages including 6 figures