为了预测和控制各类实际动力学网络，分析动力学网络结构是重要途径。但是，实际系统内部各个单元的相互影响及系统演化的动力学机制往往难以获取。因此，从网络中收集的各类数据出发，分析和揭示隐藏的网络结构和动力学演化规律，成为网络数据分析的重要课题。然而，解决动力学网络重构问题面临着诸多挑战。

本综述从网络结构的复杂性、网络节点动力学的非线性、未知噪声对网络动力学演化数据的影响以及测量中有效数据的缺失等四个方面出发，介绍了动力学网络重构问题的主要困难，并讨论了克服这些困难的思路和方法，主要包括扩张数据、挖掘信息以及利用噪声等。

论文题目：

From data to network structure——Reconstruction of dynamic networks 

论文地址：

http://engine.scichina.com/doi/10.1360/SSPMA2019-0127

论文简介：

大数据是一笔越来越重要并不断快速增长的财富，合理利用这一财富的关键是有效的分析手段。大数据中一大类数据是由复杂网络代表的实际动力学系统产生的，其中网络各个单元的输出数据可以测量，但产生数据的网络结构却不为所知；而了解这些网络结构对我们理解、预测和控制实际系统功能极为重要。因此，从分析网络数据出发揭示网络结构的重构问题就成为数学物理特别是统计物理以及一系列交叉领域对网络研究的核心问题之一。网络重构的重要性还来源于解决实际网络重构中所面对的各种困难的理论要求。网络结构的复杂性、网络节点动力学的非线性、未知噪声对网络动力学演化数据的影响以及测量中有效数据的缺失等都是在实际网络重构中要面对的常见且非常重要的困难。本综述介绍并讨论了如何有效克服这些困难的方法，特别是通过数据扩张充分利用数据信息的方法，针对不同的系统特征和重构任务选择合适的关联量计算方法，以及利用噪声帮助克服重构困难的方法等。网络重构研究将逐步解决实际复杂系统重构问题并引起复杂网络相关学者越来越多的关注和研究兴趣。

论文作者：

张朝阳，陈阳，弭元元，胡岗

主讲人简介：

白楚，南安普顿大学EE博士，现为人工智能研究中心（北京）副研究员。信息论、人工智能与机器人领域科研工作者。

   

编辑：张爽

👇点击“阅读原文”，了解更多论文信息