我们是否需要编码器-解码器来建模网络上的动力系统？
机器学习
2023-05-23 v1 人工智能
摘要
随着深度学习在建模动力系统中日益流行，我们揭示了一个与网络动力学建模相关的被低估的误解。受图神经网络强烈影响，潜在顶点嵌入被自然地采用于许多神经动力学网络模型中。然而，我们表明嵌入往往诱导出一个能很好拟合观测值但同时具有不正确动力学行为的模型。认识到以往研究狭隘地聚焦于流瞬态阶段的短期预测，我们提出了三项针对正确长期行为的检验，并阐明基于嵌入的动力学模型如何失败于这些检验，且通过拓扑共轭的视角分析了原因。在此过程中，我们表明该困难可通过不使用嵌入来避免。我们提出了一种简单的无嵌入替代方案，基于参数化两个加性向量场分量。通过大量实验，我们验证了所提模型能可靠地从时间序列数据中恢复不同网络拓扑上广泛类别的动力学。
引用
@article{arxiv.2305.12185,
title = {Do We Need an Encoder-Decoder to Model Dynamical Systems on Networks?},
author = {Bing Liu and Wei Luo and Gang Li and Jing Huang and Bo Yang},
journal= {arXiv preprint arXiv:2305.12185},
year = {2023}
}
备注
Accepted by IJCAI 2023