通过卷积神经网络学习复杂网络中的流行病阈值
物理与社会
2020-01-08 v1
摘要
深度学习不久前便参与竞争，以学习和识别物理系统（如多体量子系统）中的相变，其后者的底层晶格结构通常因其处于欧氏空间中而规则。真实网络具有复杂的结构特征，在其动力学中扮演重要角色，因此复杂网络的结构与动力学信息无法被现有神经网络模型直接学习。在此我们提出一种新颖且有效的框架，通过将结构与动力学信息结合进学习过程，来学习复杂网络中的流行病阈值。考虑到在欧氏空间中学习的强劲性能，我们使用卷积神经网络（CNN），并借助混淆方案精确识别流行病动力学的爆发阈值。为将高维网络数据集表示于欧氏空间以输入 CNN，我们利用图表示学习算法对网络降维，并将嵌入空间离散化以转换为类图像结构。随后我们创造性地将节点动力学状态与结构嵌入通过多通道图像相融合。以此方式，所提模型可从结构信息与动力学信息两方面得出结论。大量仿真在合成与实证网络数据集上均展现出优异性能。我们的端到端机器学习框架对任意规模与拓扑的复杂网络均鲁棒且普遍适用。
引用
@article{arxiv.1911.07281,
title = {Learning epidemic threshold in complex networks by Convolutional Neural Network},
author = {Qi Ni and Jie Kang and Ming Tang and Ying Liu and Yong Zou},
journal= {arXiv preprint arXiv:1911.07281},
year = {2020}
}
备注
11 pages, 7 figures. arXiv admin note: text overlap with arXiv:1911.04633