专题直播：

复杂系统自动建模

近3年来，随着数据量的井喷式增长，计算效率的显著提升，以深度学习为代表的人工智能技术迎来了第三次高潮，许多人工智能的产品应用在生活的方方面面，如人脸识别，机器翻译，语音识别等。但是进一步，人们希望机器可以辅助决策时却发现，以人类的视角没有办法很好的理解机器的决策，这时候就存在人与机器的「信任鸿沟」。我们不敢真正信任机器的决策，这也是人工智能在落地智能金融，无人驾驶等更复杂领域时遇到的问题和瓶颈。

所以为了更好利用机器的智能，理解复杂世界，人们开始寻求新的解释世界的方式：希望可以从「复杂系统」的角度进行突破，借助人工智能的方法和技术，揭开人工智能的黑箱，实现人与机器的真正信任。本次将由张江、臧承熙、王硕为大家介绍基于复杂系统的自动建模技术。

直播时间：

8月28日上午8:30-11:00

直播地址：

扫描二维码，点击“我要听”预约。我们后续会通过大家参加直播（包含直播地址）

分享一：

复杂系统自动建模概述与展望

在人工智能、深度学习的助力下，复杂系统建模已经步入了自动化的阶段。根据复杂系统的运行数据（时间序列），深度学习系统即可以模拟系统的运行、预测系统的未来状态。随着图网络、神经微分方程（Neural ODE）以及标准化流（Normalization Flow）等技术的发展，这方面的研究如今呈现出了井喷的模式。人们不仅能够精准地构建复杂系统的动力学模型，而且还能在带有噪声、带有隐含节点、隐含变量，以及小数据的系统上自动构建模型。

另一方面，随着因果推断技术的发展成熟，越来越多的能够自动从数据中提炼出因果关系，并具备一定可解释性能力的深度学习模型逐渐被提出。而近来这两大方向的发展正在逐渐呈现新的交叉、合并之势。通过引入图结构学习技术，深度学习算法不仅可以精准地预测系统动力学，还能够自动提炼因果结构，甚至能够与系统进行互动和干预。

本次分享将站在一种较宏观的视角对这些技术进行概述，内容将涉及但不限于：基于图网络的自动建模与控制、基于神经网络的格兰杰因果检验、以及我们组在网络重构，动力学学习和因果发现方面的工作。

分享者：张江，北京师范大学系统科学学院教授、集智俱乐部创始人、集智学园创始人。主要研究领域包括复杂网络与机器学习、复杂系统分析与建模、计算社会科学等。

分享二：Neural Dynamics

on Complex Networks

学习复杂网络上的连续时间动力学变化对于理解，预测和控制科学与工程中的复杂系统至关重要。但是，由于高维系统结构的复杂性，难以捉摸的连续时间非线性动力学特性，以及其与结构的复杂交互，该任务非常具有挑战性。为了解决这些挑战，我们提出结合常微分方程系统（ODE）和图神经网络（GNN），以数据驱动的方式学习复杂网络上的连续时间动力学变化。并且通过GNN对微分方程系统进行建模。而不是在前进过程中通过离散数量的神经层进行映射，我们通过数值计算对连续时间上的 GNN 层进行积分，从而捕获网络上的连续时间动态变化。我们的模型可以解释为连续时间 GNN 模型或 Graph Neural ODEs 模型。我们的模型可作为一个统一框架处理以下三个任务：连续时间网络动力学变化预测，结构化序列预测，和节点半监督分类任务。我们通过以上三种任务来验证我们的模型，优秀的实验结果证明了我们的模型有希望作为一个统一框架来刻画复杂系统的结构和动力学特性。

该工作获得了 AAAI2020 图深度学习 Workshop 的最佳论文奖，并以长文形式发表在 KDD2020 Research Track 中。

参考链接：

AAAI2020 图深度学习Workshop：

https://deep-learning-graphs.bitbucket.io/dlg-aaai20/

KDD2020 Research Track：

https://www.kdd.org/kdd2020/accepted-papers/view/neural-dynamics-on-complex-networks

分享者：臧承熙，目前是康奈尔大学威尔康奈尔医学院的博士后。2019年以优秀的博士学位获得了清华大学的博士学位，并获得了清华大学最佳博士奖（前3%）。其研究方向是对复杂社会、生物系统的挖掘和学习，以及 AI 在医疗，药物发现的应用。

分享三：复杂网络

自动建模在大气污染中的应用

大气污染是当今世界面临的严峻挑战之一，预报雾霾（PM2.5）能够帮助政府决策、指导个人出行，具有重要的社会意义。但由于大气污染是复杂系统，准确预报极具挑战。具体表现在影响雾霾的因素众多，污染物之间还会发生化学反应生成二次污染物，时间与空间的长程相关性。本次分享将在深刻理解雾霾成因的基础上，将环境与气象的领域知识融入建模中，提出基于图神经网络（GNN）的雾霾预报模型 PM2.5-GNN，并且基于复杂网络的观点，将污染物颗粒看成是在所构建的城市雾霾传输网络上随机游走的粒子，使用 GRU 与 GNN 的组合来学习雾霾的动力学特征。

本文文章接收于 Geographic Information Systems （GIS）领域国际顶会 ACM SIGSPATIAL 2020。