导语

复杂系统广阔而神秘，地球上的生物、气候、人脑、社会和经济的组织、一个生态系统、一个活细胞、甚至整个宇宙都属于复杂系统。本文旨在召集对复杂系统建模感兴趣或正在进行相关研究的朋友参与到此次读书会中，通过阅读经典文章，大家集思广益，激发科研想法，促进科研合作。报名方式见下文。


背景

 

复杂系统是对生物，社会，金融，气候等不同领域内大量现象进行建模的重要手段。复杂系统的一大特征是，在系统内存在着大量个体，他们之间会发生相互作用。在现实生活中，尤其是在当今的大数据时代，我们通常面临的问题就是我们拥有大量对系统进行观察的数据，如个体个体的时间演变状态，个体的信息，而无法直接观察到个体之间的网络连接结构，也不知道个体之间的动力学演化规则。复杂网路自动建模问题关注的即是通过数据驱动，通过机器学习或其他算法去找到他们相互作用的关系以及动力学法则，从而对整个复杂系统进行建模。

本次读书会的核心目的是「助力科研」，旨在汇集一批对复杂系统自动建模感兴趣或者正在进行相关研究的朋友，通过阅读和讨论一系列前沿或者经典的对复杂系统进行结构和动力学重构的文章，进行深度讨论和交流，从而激发科研想法，促进读书会成员内部的科研的合作，产出和落地，并产生学术价值。
 
这是一个长期的读书会活动，读书会预计持续时间为半年，每2周会有人选择网络重构文献待续列表中论文（会持续增加新的经典和前沿论文），制作论文解读的 ppt 文件，在 zoom 会议软件上按照每2周1次，每次研读2-3篇论文的形式进行，以分享、讨论、复现代码为主。
 

参与方式

 
参与人员：
本次读书会是由张江教授提议，由研究组的研究生张章发起，欢迎对复杂系统自动建模感兴趣或者正在进行相关研究的朋友加入进来，一起云科研。
运行模式：
从下周日（2月23日）开始，每2周由一名读书会成员领读相关论文（以 PPT 讲解的形式，直播间互动交流）。
时间：周日晚上20:00-22:00（暂定）
方式：此次读书会为线上读书会，采用的会议软件是Zoom。（请提前下载安装）
费用：为了过滤一些非专业人士，甄选出真正对深度学习感兴趣、有相关研究经验的专业人士，也为激励小伙伴们坚持学习，本期读书会将采取收费 – 退款的保证金模式。
具体规则如下：
1. 读书会（10-12期）保证金共计99元/人。
2. 满足如下条件者可全额退款：
3. 满足以下条件之一的不仅可以全额退款，还有额外奖励：
  • 由读书会内容启发，产生了靠谱的新产品创意，并在读书会结束2个月内提交了详细的产品策划方案，并通过了集智俱乐部组织的相应考核答辩的；
  • 由读书会内容启发，萌发了科研论文创意，并在读书会结束2个月内完成初稿，并通过了集智俱乐部组织的相应考核答辩的；
 
上述规则的最终解释权归集智俱乐部所有。
  
报名：（长期有效）
 
       

第一步：扫码填写报名信息。
第二步：信息填写之后，会弹出对应的负责人微信二维码，截图扫码添加二维码即可。
第三步：添加负责人微信号，支付保证金。
第四步：拉入群聊。
 
我们也会对每次分享的内容进行录制，剪辑后发布在集智学园的官网上，欢迎大家关注！


文献列表


基于网络重构的主题，我们选出了以下待读的文献列表：

综述：


  • Squartini T, Caldarelli G, Cimini G, et al. Reconstruction methods for networks: the case of economic and financial systems[J]. Physics reports, 2018, 757: 1-47.

    简评： 本综述旨在提供一个统一的框架来介绍主流的网络重构方法，主要侧重于它们在经济和金融网络中的应用。

    标签：金融网络 / 方法框架 / 综述


  • Timme M, Casadiego J. Revealing networks from dynamics: an introduction[J]. Journal of Physics A: Mathematical and Theoretical, 2014, 47(34): 343001.

    简评：从非线性动力学的角度，简要回顾了近年来如何通过动力学过程推断网络结构的方法。潜在的应用范围从物理学中的相互作用网络，到化学和代谢反应，蛋白质和基因调控网络，以及生物学中的神经回路和电力网络或工程中的无线传感器网络。此外，我们还简要地提到了一些推断有效或功能连接的标准方法。

    标签：非线性动力学 / 方法论


  • ZHANG Z Y, CHEN Y, MI Y Y, et al. From data to network structure——Reconstruction of dynamic networks[J]. SCIENTIA SINICA Physica, Mechanica & Astronomica, 2019, 50(1): 010502.

    简评：本文介绍了一些网络重构方法，这些方法各有特征，例如可以通过搜索丰富多样的数据特征来挖掘现有数据的信息，寻求不同类型的相关性以解决不同的困难，寻找消除噪声负面影响和利用噪声积极影响的智能方法等。

    标签：方法论


  • Runge J, Bathiany S, Bollt E, et al. Inferring causation from time series in Earth system sciences[J]. Nature communications, 2019, 10(1): 1-13.

    简评：给出了因果推理框架的概述，并确定了在地球系统科学及其他领域中常见的有希望的通用应用案例。

    标签：因果网络 / 方法论 / 地球系统 / Nature Communations


  • Fiers M W E J, Minnoye L, Aibar S, et al. Mapping gene regulatory networks from single-cell omics data[J]. Briefings in functional genomics, 2018, 17(4): 246-254.
    简评：该综述梳理了近期出现的从单细胞转录组数据推测基因调控网络的方法，讨论了噪声和稀疏性的问题。并讨论一些使用单细胞表观基因组学的新技术。
    标签：方法论 / 基因调控

  
方法论：

  • Runge J, Petoukhov V, Donges J F, et al. Identifying causal gateways and mediators in complex spatio-temporal systems[J]. Nature communications, 2015, 6(1): 1-10.

    简评：一种基于降维等技术的data-driven的因果网络检测方法，应用于气候领域，提高了我们对极端气候的适应和处理能力。

    标签：Nature Communations / 方法论 / 气候领域 / 因果网络

 

  • Ma H, Leng S, Tao C, et al. Accurate detection of time delays and directional interactions based on time series from complex dynamical systems[J].

    简评：提出一种有向因果关系识别方法，能够检测具有时间滞后效应的因果关系。该方法被应用于香港的空气污染数据和心血管疾病的入院记录，揭示主要空气污染物是引起这些疾病的原因。

    标签：PRE / 方法论 / 因果网络

 

  • Ge T, Cui Y, Lin W, et al. Characterizing time series: when Granger causality triggers complex networks[J]. New Journal of Physics, 2012, 14(8): 083028.简评：本文将格兰杰因果检验与复杂网络方法相结合，从时间序列构造有向和加权的复杂网络，并使用有代表性的网络度量来描述它们的物理和拓扑性质，通过物理模型和人体心电数据集的典型动力学行为的分析，表明该方法能够捕捉和刻画各种动力学行为，对于分析较短的实际时间序列具有很大的潜力。

    标签：方法论 / 因果网络


  • Sugihara G, May R, Ye H, et al. Detecting causality in complex ecosystems[J]. science, 2012, 338(6106): 496-500.

    简评：这篇文章提出了一种因果网络检测的方法，这种方法可以处理格兰杰因果检测方法处理不了的情况：弱连接的动力学系统，文章在简单的模型上进行了方法的解释，并且应用于现实情况，为解决饱受争议的“sardine-anchovy-temperature”问题提供了新的思路。

    标签：Science / 因果网络 / 方法论


  • Runge J, Nowack P, Kretschmer M, et al. Detecting and quantifying causal associations in large nonlinear time series datasets[J]. Science Advances, 2019, 5(11): eaau4996.

    简评：本文提出了一种新的方法，可以从时间序列数据中观测因果关系并且计算因果强度，这种方法结合了线性和非线性的条件独立性检验以及因果发现算法从大规模的时间序列数据中估计因果网络，达到了SOTA的效果。

    标签：时间序列 / 统计推断 / 因果网络 / 方法论


  • Huang K, Jiao Y, Liu C, et al. Robust network structure reconstruction based on Bayesian compressive sensing[J]. Chaos: An Interdisciplinary Journal of Nonlinear Science, 2019, 29(9): 093119.

    简评：在网络结构重构过程中，离群点的存在是一个难以识别和忽略的问题。为了解决这个问题，我们提出了一种新的方法，从贝叶斯的角度来考虑离群值。利用支付数据中的异常值，验证了该方法的准确性和鲁棒性。

    标签：贝叶斯 / 方法论 / 离群点识别


 

资料回看


已解读过的具体的内容和视频可以看下面的视频资料：
http://campus.swarma.org/play/coursedetail?id=11073
论文题目：
Neural Relational Inference with Fast Modular Meta-learning
论文详情：
https://pattern.swarma.org/paper?id=60b06e08-10b8-11ea-971d-0242ac1a0005

简评：这篇文章关注的是网络推断任务，即从观测数据中推断出各个节点之间的连接，并且预测节点的未来时刻动力学状态。文章的解决思路是使用VAE的框架，并且加入元学习（meta-learning）的方法，提升了准确率和效率。在解读时，我会首先解释元学习（meta learning）的概念，VAE解决网络推断问题的框架，以及meta-learning方法是如何被应用于网络推断任务的。我也会分析meta learning可以为任务加速的原因。
标签：元学习 / VAE / 方法论 / 图网络


http://campus.swarma.org/play/coursedetail?id=11112
论文题目：
Deep Iterative and Adaptive Learning for Graph Neural Networks
论文详情：
https://pattern.swarma.org/paper?id=afcdf970-31b4-11ea-b31a-0242ac1a0005

简评：本文提出了一种端到端图学习框架，即图神经网络的深度迭代和在适应性机器学习学习框架(DIAL-GNN) ，用于同时学习图的结构和图的嵌入，并能更好地完成下游任务。对于图结构学习方面，文章首先将图结构学习问题转化为一个相似度量学习问题，并利用一个自适应的图正则化，控制生成图的平滑性、连通性和稀疏性。并且文章进一步提出了一个迭代的方法来不断优化初始图结构，最终获得最优的图结构时，会使下游任务的准确率得到明显的提高。
标签：图网络  / 方法论
 

推荐阅读


新英格兰复杂系统研究所长文综述：复杂系统科学及其应用
复杂系统科学如何改变思维方式？
超越简单规则——用图神经网络对复杂系统进行自动建模
加入集智，一起复杂！




集智俱乐部QQ群｜877391004

商务合作及投稿转载｜swarma@swarma.org

◆ ◆ ◆

搜索公众号：集智俱乐部


加入“没有围墙的研究所”

让苹果砸得更猛烈些吧！

本篇文章来源于微信公众号: 集智俱乐部