从时间序列推断网络：一种神经方法
机器学习
2023-11-02 v3 最优化与控制
摘要
网络结构构成了许多复杂现象动力学的底层基础，从基因调控、食物网到电网和社交媒体。然而，由于它们往往无法直接观测，其连通性必须从由其产生的动力学观测中推断。本工作中，我们提出一种强大的计算方法，利用神经网络从时间序列数据推断大规模网络邻接矩阵，以便以反映推断问题欠定程度及数据噪声的方式对预测提供不确定性量化。这是其他方法迄今所缺乏的特性。我们通过从英国电网对断电的响应中推断线路故障位置来展示方法能力，给出各条边上的概率密度，并允许使用假设检验对断电位置作出有意义的概率陈述。我们的方法在噪声数据及问题欠定时显著优于马尔可夫链蒙特卡洛采样与最小二乘回归，并可自然推广至非线性动力学情形，我们通过学习大伦敦经济活动的非线性模型的整个代价矩阵予以演示。该方法并非专为网络推断而设计，实际上代表了一种适用于任意高维参数空间的通用参数估计方案。
引用
@article{arxiv.2303.18059,
title = {Inferring networks from time series: a neural approach},
author = {Thomas Gaskin and Grigorios A. Pavliotis and Mark Girolami},
journal= {arXiv preprint arXiv:2303.18059},
year = {2023}
}