基于深度学习的智能体社会网络模型参数搜索

人类之间的交互产生了复杂的社会网络，其特征是异质度分布、权重-拓扑关系、重叠社区结构以及连边动态。理解此类网络是科学的首要目标，因为它们充当从疾病传播到政治运动等众多涌现社会现象的骨架。研究它们的合适工具是基于智能体的建模，其中代表个人的节点就创建与删除连边做出决策，从而产生各种宏观行为模式。此处我们聚焦于研究加权社会网络模型的一个推广，它是最基础的用于描述社会纽带与社会网络形成的基于智能体的模型之一。该广义加权社会网络（GWSN）模型结合了三角闭包、同嗜性交互以及各种连边终止机制，这些机制在先前工作中已被分别研究。相应地，GWSN 模型具有更多输入参数且模型行为变得过度复杂，使得厘清模型行为具有挑战性。我们利用超级计算机执行了大规模模拟，并将结果作为深度神经网络的训练数据，进行回归分析以从输入参数预测生成网络的性质。所获得的回归模型还被用于全局敏感性分析，以识别哪些参数有影响力或无关紧要。我们相信该方法适用于一大类复杂网络模型，从而为更现实的定量基于智能体建模开辟道路。