揭示低维网络动力学：稀疏辨识与 proper orthogonal decomposition 的融合
社会与信息网络
2023-08-23 v2 混沌动力学
摘要
本研究应对预测网络动力学的挑战，例如预测社交网络中的疾病传播或估计捕食者-猎物网络中的物种种群。由于网络动力学参数数量随网络群体规模增长而增加（例如，在传染病过程中每个个体都有自己的接触率和恢复率），且网络拓扑未知或无法准确观测，在大型网络中进行准确预测十分困难。受网络动力学固有低维性的启发，我们提出一种两步法。首先，我们将网络动力学分解为若干主成分的组合，每个主成分由时间相关系数加权。随后，我们使用能够在函数库上描述动力学的稀疏回归，学习这些时间相关系数的控制微分方程。我们利用模拟的网络动力学数据集说明了所提方法的有效性。结果提供了令人信服的证据，表明我们的方法在复杂网络预测中具有潜力。
引用
@article{arxiv.2308.10458,
title = {Unraveling Low-Dimensional Network Dynamics: A Fusion of Sparse Identification and Proper Orthogonal Decomposition},
author = {Rui Luo},
journal= {arXiv preprint arXiv:2308.10458},
year = {2023}
}