从带扰动的时间序列数据推断动态调控交互图
机器学习
2023-06-14 v1
摘要
复杂系统的特征在于实体之间随时间动态演化的复杂交互。准确推断这些动态关系对于理解和预测系统行为至关重要。在本文中，我们提出 Regulatory Temporal Interaction Network Inference (RiTINI)，利用空间-时间图注意力与图神经常微分方程（ODEs）的新颖组合，推断复杂系统中时变交互图。RiTINI 利用图先验上的时间推移信号，以及各节点处信号的扰动，以有效捕捉底层系统的动力学。该方法不同于传统因果推断网络，后者仅限于推断无环且静态的图。相比之下，RiTINI 可推断有环、有向且时变的图，从而对复杂系统提供更全面准确的表征。RiTINI 中的图注意力机制使模型能自适应聚焦于时空上最相关的交互，而图神经 ODEs 实现了系统动力学的连续时间建模。我们在多个模拟与真实世界数据集上评估了 RiTINI 的性能，证明其相比以往方法在推断交互图方面具有 SOTA 能力。
引用
@article{arxiv.2306.07803,
title = {Inferring dynamic regulatory interaction graphs from time series data with perturbations},
author = {Dhananjay Bhaskar and Sumner Magruder and Edward De Brouwer and Aarthi Venkat and Frederik Wenkel and Guy Wolf and Smita Krishnaswamy},
journal= {arXiv preprint arXiv:2306.07803},
year = {2023}
}