一周值得学：集智学园新课视频速览 | 12.14-12.20
本期内容概览：
-
复杂网络的控制 -
神经科学中基于图神经网络的可泛化机器学习模型 -
从局部观测数据中学习动力系统 -
利用可解释的胶囊网络算法识别细胞亚型 -
论文解读：非马尔科夫恢复机制提升复杂网络的弹性能力 -
论文解读：自适应网络上的病毒传播
复杂网络的控制
课程概览
课程背景
课程背景
本次分享将介绍2011年以来，在复杂网络控制研究方面的基本概念、问题和结果。具体来说，针对复杂网络上的线性时不变系统，会介绍网络的可控性理论，网络的目标控制和最小能量控制。最后，会介绍若干篇基于数据的复杂网络控制的最新成果。
课程学习
学习地址：
https://campus.swarma.org/course/2203
神经科学中基于图神经网络的
可泛化机器学习模型
课程概览
课程背景
课程背景
在本课程中，用线虫的钙离子成像数据，利用图神经网络进行建模，重构出神经元之间的结构，并且在行为状态分类和神经元级别的轨迹预测两个任务上取得了很好的结果，证明了该模型具有一定的泛化能力。
课程学习
课程学习
学习地址：
https://campus.swarma.org/course/2212
从局部观测数据中学习动力系统
课程概览
课程背景
课程背景
2018年的一篇Neural ODE 将神经网络与常微分方程建立起了联系，Neural ODE 在建模动力系统中的表现优异，本文的作者在序列动力系统建模问题的基础上加大了问题难度，作者讨论的问题从三个方面加大了问题的难度，1是Dynamical Systems更加复杂。2 是 Dynamical Systems的 监督信息有缺失 3是Dynamical Systems 中最重要的系统的初始状态未知。作者使用NeuralODE 与UNet 神经网络解决了以上三个问题。
课程学习
学习地址：
https://campus.swarma.org/course/2213
利用可解释的胶囊网络算法识别细胞亚型
课程概览
课程背景
课程背景
理解细胞差异、为细胞分类，对生命科学具有重要意义，一系列基于基因转录数据和深度学习的分类方法正在兴起，但方法可解释性往往不足。近日由北京师范大学张江组、中科研基因所蔡军组合作发表的论文中，利用改进后的胶囊网络深度架构，应用于转录组分析和细胞分类，取得良好效果并具有较强的可解释性。
本期为论文第一作者王力飞博士，亲自解读这项研究。
课程学习
课程学习
学习地址：
https://campus.swarma.org/course/2217
论文解读：
非马尔科夫恢复机制提升复杂网络的弹性能力
课程概览
该论文研究了存在级联故障现象的许多实际网络中的一个重要问题，即非马尔科夫自发恢复对级联故障系统动力学的影响。以往研究自发恢复过程主要有两种类型:具有瞬时恢复的马尔科夫类型（即无记忆）和恢复具有延迟的非马尔科夫类型（即有记忆），其中前者往往是理想化的，而后者在现实中则无处不在。那么具有非马尔科夫特性的恢复过程对故障传播又会有怎样的影响呢？
本文研究了包含两种故障机制的两种模型，发展了一套平均场理论和点对近似理论并进行了预测，同时较为系统的对比了非马尔科夫恢复和马尔科夫恢复对系统故障传播的影响。在研究中，我们发现了惊人的现象——节点恢复中的记忆性违反直觉的竟然可以使网络的弹性能力（resilience）更高，从而更好地帮助系统抵抗大规模故障。随后我们对该现象进行了分析。该工作具有两点实际意义：首先在自然系统中，节点恢复中内在的非马尔科夫特性可能是使这些网络具有弹性的原因之一。再者，在工程设计中，将某些非马尔科夫特征加入网络中可能有利于为其提供强大的弹性能力来抵抗大规模故障。
课程学习
课程学习
学习地址：
https://campus.swarma.org/course/2218
论文解读：自适应网络上的病毒传播
课程概览
论文简介
论文简介
有些流行病如结核病、淋病、病毒等传染病服从SIS模型，但是一旦被感染者恢复为易感者后往往会重构自己的网络，也即不会再和感染者建立连接，这样的网络我们成为自适应网络（Adaptive Network），在自适应网络中我们考虑一个用户从感染者到易感者的重连概率，从而考虑自适应网络新的传播阈值。本文通过构建新的最优传染概率来解决自适应网络中SIS模型的最优阈值、易感者和感染者的分布及相关性等问题。
课程学习
课程学习
学习地址：
https://campus.swarma.org/course/2219
集智学园超级VIP开放
如果你是长期关注集智的老朋友，还有另一个好消息告诉你：我们首次对外公开了VIP申请通道。
成为集智VIP，你就是集智自己人了。话不多说，上图：
微信扫一扫,分享到朋友圈
