用于网络动力学的自回归 GNN-ODE GRU 模型
机器学习
2022-11-22 v1 人工智能
摘要
揭示网络上的连续动力学对于理解、预测乃至控制复杂系统至关重要，但由于复杂且未知的支配方程、复杂系统的高维度以及不理想的观测，学习和建模连续网络动力学十分困难。此外，在实际情形中，观测到的时间序列数据通常非均匀且稀疏，这也带来了严峻挑战。本文中，我们提出一种自回归 GNN-ODE GRU 模型（AGOG），以数据驱动的方式学习并捕捉连续网络动力学，并实现任意时刻节点状态的预测。GNN 模块用于建模复杂非线性的网络动力学。节点状态的隐状态由 ODE 系统指定，并采用增广 ODE 系统将 GNN 映射到连续时间域。隐状态通过 GRUCell 由观测更新。作为先验知识，同一时间戳的真实观测与隐状态结合用于下一步预测。我们使用自回归模型基于观测历史进行一步超前预测。该预测通过求解 ODE 初值问题实现。为验证模型性能，我们将学习到的动力学可视化，并在三项任务中测试：插值重构、外推预测和规则序列预测。结果表明，我们的模型能准确捕捉复杂系统的连续动态过程，并以最小误差精确预测节点状态。我们的模型持续优于其他基线或取得可比性能。
引用
@article{arxiv.2211.10594,
title = {Autoregressive GNN-ODE GRU Model for Network Dynamics},
author = {Bo Liang and Lin Wang and Xiaofan Wang},
journal= {arXiv preprint arXiv:2211.10594},
year = {2022}
}