基于图神经网络从时间序列数据推断网络结构与动力学
机器学习
2020-01-22 v1 社会与信息网络
机器学习
摘要
不同背景下的网络结构在社会、技术和生物系统中发挥着重要作用。然而，由于测量误差或隐私保护问题，实际案例中可观测的网络结构往往不完整或不可用。因此，推断完整的网络结构有助于理解复杂系统。现有研究尚未完全解决在连接或节点信息部分或完全缺失情况下推断网络结构的问题。本文利用网络动力学生成的时间序列数据来解决该问题。我们将基于动力学时间序列数据的网络推断问题视为预测未来状态误差最小化问题，并提出一种称为 Gumbel Graph Network（GGN）的新型数据驱动深度学习模型，以解决两类网络推断问题：网络重构与网络补全。对于网络重构问题，GGN 框架包括两个模块：动力学学习器和网络生成器。对于网络补全问题，GGN 增加了一个称为状态学习器的新模块以推断网络的缺失部分。我们在离散和连续时间序列数据上进行了实验。实验表明，我们的方法在网络重构任务上可重构多达 100% 的网络结构；而当部分节点缺失时，模型也能以高达 90% 的准确率推断结构的未知部分，且准确率随缺失节点比例增加而下降。我们的框架可广泛应用于难以获取网络结构但时间序列数据丰富的领域。
引用
@article{arxiv.2001.06576,
title = {Inference for Network Structure and Dynamics from Time Series Data via Graph Neural Network},
author = {Mengyuan Chen and Jiang Zhang and Zhang Zhang and Lun Du and Qiao Hu and Shuo Wang and Jiaqi Zhu},
journal= {arXiv preprint arXiv:2001.06576},
year = {2020}
}