从含噪测量中增强网络推断的机器学习方法
社会与信息网络
2024-05-07 v2 机器学习
摘要
从观测到的时间序列数据推断网络，可清晰揭示节点间的相互连接。网络推断模型在处理现实世界开放案例时，尤其在存在观测噪声的情况下，性能急剧下降，严重削弱了其实际适用性。我们发现，在现实场景中，含噪样本导致网络推断模型的参数更新偏离正确方向，从而引发性能退化。在此，我们提出一个优雅且高效的模型无关框架，旨在增强基于模型与无模型的网络推断模型在现实案例中的能力。在非线性动力学、演化博弈和传染病传播上的大量实验表明，在不同噪声类型下性能均获得显著提升，尤其在富含干净样本的场景中表现突出。
引用
@article{arxiv.2309.02050,
title = {Machine learning of network inference enhancement from noisy measurements},
author = {Kai Wu and Yuanyuan Li and Jing Liu},
journal= {arXiv preprint arXiv:2309.02050},
year = {2024}
}