大型网络中函数学习需要模块化并产生多智能体动力学
神经与进化计算
2018-09-25 v2 系统与控制
摘要
网络在生物系统中十分丰富。已发现过度表征的小规模网络模体，且有人认为这些构成了功能性构建模块。我们探究生物网络中是否存在更大的动力学网络模体，从而贡献于网络的高阶组织。为此，我们引入梯度下降机器学习（ML）方法与遗传算法来学习更大的功能模体，以替代（不可行的）穷举搜索。我们以受生物学启发的法国旗（FF）与开关功能模体作为案例研究。尽管我们的算法成功学习了大型功能模体，我们发现约20个节点的阈值规模，超过后学习失效。因此我们研究模体的稳定性。我们发现Jacobian矩阵真实负特征值的幅度随系统规模增大而减小，从而带来不稳定性。最后，在未对网络所有组分施加输入输出学习约束时，我们观察到网络未受约束的中间组分仍学习了期望函数，一种同质团队学习形式。我们得出结论：可学习性的规模限制（极可能源于稳定性约束）对网络系统的模块化提出了明确要求，同时使模块未约束部分内的团队学习成为可能。因此，生物网络中群落结构与模块化普遍存在的观测可由计算组合网络结构来解释。
引用
@article{arxiv.1807.03001,
title = {Learning Functions in Large Networks requires Modularity and produces Multi-Agent Dynamics},
author = {C. H. Huck Yang and Rise Ooi and Tom Hiscock and Victor Eguiluz and Jesper Tegnér},
journal= {arXiv preprint arXiv:1807.03001},
year = {2018}
}
备注
Accepted at the Joint ICML and IJCAI Workshop on Computational Biology (ICML-IJCAI WCB) to be held in Stockholm SWEDEN, 2018. Referring to https://sites.google.com/view/wcb2018/accepted-papers?authuser=0 update the team-learning figure