直播预告

2月23日（周日）20:00-22:00，集智复杂系统自动建模读书会将进行第一期的论文分享直播，欢迎感兴趣的朋友参与。

基于动力学的网络重构

如何根据系统的群体动力学演化规律，对复杂网络的拓扑结构进行重构，是学术界面临的关键问题。本文在简单地引入了复杂网络的基本概念后，介绍了复杂网络中有效链接和结构链接两者之间的区别。文章中详细地回顾了基于群体动力学数据，重构网络中结构链接的三种主要基本方法，即驱动-响应方法、复制-同步方法和直接重构方法，并指出了每种方法的优缺点和适用范围；简略地介绍了基于相关函数和最大熵理论，重构有效链接的思路。

本文作者Marc Timme目前是德累斯顿工业大学（TU Dresden）教授，复杂网络系统研究的知名学者。写作此文时，他任德国马普动力学和自组织研究所的教授，并主持该所网络动力学课题组的研究工作。

论文题目：

Timme M, Casadiego J. Revealing networks from dynamics: An introduction

论文地址：

https://pattern.swarma.org/paper?id=a1b46292-4da3-11ea-8912-0242ac1a0005

主讲人：胡国辉

中国科学技术大学流体力学专业博士，上海大学上海市应用数学和力学研究所教授。目前已在Nanotechnology、Journal of Chemical Physics、Biomechanics and Modeling in Mechanobiology、Physics of Fluids、Science China等国内外期刊上发表学术论文60 余篇，已主持5 项国家自然科学基金项目的研究。目前的主要研究方向是微纳尺度流体力学和流动稳定性。

直播地址：集智俱乐部 B 站直播间

👀关注B站主播“集智俱乐部”

不错过每一场集智重磅直播

直播地址：

https://live.bilibili.com/8091531

直播时间：20:00-22:00

复杂系统自动建模

读书会公开招募

我们持续招募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《复杂系统自动建模》系列读书会中，研读经典论文，交流所思所想，激发科研灵感，促进科研合作。

报名方式：请扫下方小程序码，填写报名信息。

线上一起读论文——“复杂系统自动建模读书会”开放招募 | 云科研小组

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！

编辑：张爽

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。