在传染病防控中，那些一旦被去除之后，就会让整个网络传播疾病的能力显著降低的节点被称为“超级传播者”；在营销方案设计中，需要找到关键用户，通过这些用户，让产品信息快速传遍全网；而在药物设计中，找到蛋白质相互作用网络的中心节点，同样能指导药物靶点的选择。

怎样准确找到这些网络中的关键节点，从而影响网络连通性，是一类重要问题。

2020年6月发表在Nature Machine Intelligence的一篇论文，利用强化学习和图嵌入技术，提出名为 FINDER 的算法框架，显著提升了这一类问题的解决效果。该研究由国防科技大学讲师范长俊、曾利，加州大学洛杉矶分校副教授孙怡舟，哈佛医学院副研究员刘洋彧合作完成。

作者利用强化学习Q-Learning算法，根据网络结构，在有限的计算中，找出应该去掉哪些节点，并依次去掉这些节点。再按照定义的网络连通性评价方式，看网络连通性会有多大的改变。通过持续的反馈激励、调整策略，迭代提升agent的决策能力。

同时通过图嵌入，替代原图的数据，能保留原图中拓扑结构，节点之间的相互关系，以及关于图、子图的其他相关信息。通过图嵌入，能够在之后对图的分析任务中，获得更好的结果。

FINDER 方法能够让算法基于训练中学到的复杂规则，针对特定场景，动态地制定解决方案。在真实数据测试中，FINDER 方法在结果和效率上都有很好的表现。

详细报道文章参见：

用强化学习寻找关键节点——复杂网络研究新范式

参与方式 2：集智俱乐部B站直播

扫描下方二维码，点击「我要听」报名，内附腾讯会议房间号与B站直播地址。我们后续也会提醒大家参加直播。