基于压缩感知算法的复杂网络建模

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：19:00-22:00

论文1：利用自然多样性重构传播网络并识别隐藏源

论文题目：

Reconstructing propagation networks with natural diversity and identifying hidden sources

论文详情：

https://pattern.swarma.org/paper?id=7bab5ed8-28b0-11ea-a52f-0242ac1a0005

论文简介：

本文提出了一种根据网络上的传播数据重构网络结构和识别隐藏节点的新范式，即采用压缩感知（CS）的方法。在上一次读书会的基础上，将进一步介绍文中的方法部分，着重于如何将问题归于CS框架中，以及如何化为一个凸优化问题。

论文作者：

Zhesi Shen, Wen-Xu Wang, Ying Fan, Zengru Di & Ying-Cheng Lai

主讲人简介：高飞

论文2：利用压缩感知技术的复杂振子网络时间序列预测

论文题目：

Time-series–based prediction of complex oscillator networks via compressive sensing

论文详情：

https://pattern.swarma.org/paper?id=0aef53a8-5460-11ea-a5c0-0242ac1a0005

论文简介：

有大量相互作用单元的复杂动力学网络在自然和社会中无所不在。当所感兴趣的网络中的相互作用未知时，我们便希望通过测量时间序列来重建网络的拓扑。我们在本文中展示了一个基于压缩感知技术的一般性方法。特别地，通过级数展开至任意阶，我们说明了网络重建问题可以表示成下式，X=G a, 其中向量 X 和矩阵 G 由时间序列来确定，a是待求的稀疏向量，a包含所有非零级数展开系数。因为a是稀疏的，它可以由压缩感知标准的L1范数求得。我们的方法主要的优点是只需要稀疏数据，并且对于大量复杂网络的动力学问题有广泛的应用。我们在具体复杂网络模型中展示了这些优点。

论文作者：

Wen-Xu Wang, Rui Yang, Ying-Cheng Lai, Vassilios Kovanis and Mary Ann F.Harrison

主讲人简介：郭铁城，清华物理博士研究生。关注量子多体物理、时空结构、复杂网络、人工智能。

论文3：时变系统压缩感知方法

论文题目：

Forecasting the future: Is it possible for adiabatically time-varying nonlinear dynamical systems?

论文详情：

https://pattern.swarma.org/paper?id=e9f4c862-55dc-11ea-9742-0242ac1a0005

论文简介：

如何根据系统当前可用的时间序列数据，预测系统的未来吸引子以预测此类系统的未来状态，对于评估其可持续性至关重要。本文在简单地介绍现实物理系统的扰动特点和压缩感知的基本方法后，介绍了如何应用压缩感知方法辨识时变系统方程形式及参数大小的方法。文章中将这种方法应用到参数随时间变化的的Lorenz系统中，得到了非常精确的预测结果。本文作者来颖诚目前是亚利桑那州立大学电气工程系教授（Arizona State University ），是研究非线性动力学和混沌基础的知名学者。目前的研究兴趣是非线性动力学，复杂网络，量子输运，石墨烯物理，生物物理和信号处理。

论文作者：

Rui Yang, Ying-Cheng Lai, and Celso Grebogi

主讲人简介：曾好，华中科技大学一名本科生。

论文4：不依赖于模型的非线性群体动力学的网络重构

论文题目：

Model-free inference of direct network interactions from nonlinear collective dynamics

论文详情：

https://pattern.swarma.org/paper?id=ea183d22-5453-11ea-9e35-0242ac1a0005

论文简介：

当今的科学和技术发展创造了大量物理、生物、社会和技术系统中群体动力学数据。网络动态系统中的相互作用的拓扑结构，从根本上说蕴含了该系统的职能。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，仍然是学术界一个重大的未决问题。特别是，目前的非线性动力学方法大多要求先验地知道一个系统的（通常是高维）动力学模型。本文提出了一个独立于模型的框架，仅从系统演化所产生的非线性集体动力学数据中推断出节点的直接相互作用，用于研究高维系统动力学。本文利用块状正交回归算法，证明该方法在许多动态系统中都能可靠地工作，包括向稳态、周期性和非周期性动态以及混沌的瞬态动态特征等。另外，该方法还可以具有揭示网络（两点）以及超网络（如三点）相互作用的能力。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。

论文作者：

Jose Casadiego, Mor Nitzan, Sarah Hallerberg & Marc Timme – Show fewer authors

主讲人简介：胡国辉

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

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：

https://campus.swarma.org/course/1200

论文题目：

Data based identification and prediction of nonlinear and complex dynamical systems

论文详情：

https://pattern.swarma.org/paper?id=3bcbd136-545b-11ea-b45f-0242ac1a0005

简评：许多学科都涉及到非线性复杂动力系统的问题，如物理学、金融以及社会科学，而延迟坐标嵌入法是处理这类问题的经典方法，但在面对着更高维、更复杂的系统，它存在着诸多局限。当代图论发展迅速，在跨学科研究和工程实践中有着广泛的应用，将图、信息和非线性动力系统理论与统计、优化、工程控制、应用数学和科学计算等工具结合起来，可以开发出一系列范例来解决非线性复杂系统重构问题。该文描述了这一前沿和快速发展领域的最新进展，重点是压缩感知这一方法。将详述怎样利用压缩感知的方法来解决基于数据的非线性复杂网络系统中的各种问题。

http://campus.swarma.org/play/coursedetail?id=11202

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

简评：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。