导语


高阶网络读书会由电子科技大学吕琳媛老师、任晓龙老师及中国地质大学(北京)管青老师联合发起,自2022年6月28日开始,每周四晚上19:30-21:30举办,持续时间预计 10-12周。期间,我们将围绕高阶交互网络的基本概念、模型、方法与应用等研究进行研讨,本季读书会分享会按照「基础理论」+「深入理论」+「案例研讨」的模式展开。欢迎对本话题感兴趣的朋友报名参加!详情见文末。





跟读书会主题之间的关系




高阶交互网络的建模方法多种多样,基于依赖关系的网络建模利用时间序列数据推断出的更高维度的路径信息,引入了非马尔可夫高阶网络模型。相较于一阶网络,该模型能够识别节点序列中的相关性。这种相关性常被称为高阶依赖关系,它能够更好地捕捉复杂系统的组件是如何直接和间接地相互影响,并解释了这些影响如何在现实数据中体现。高阶依赖关系由于能够揭示节点间的交互行为,更加精确地描述节点特征,提升了表示网络的能力,在各类下游任务都有着不错的性能提升。





报告内容简介




上期分享中杨荣湄和周方介绍了基于结构的高阶网络建模方式,本期分享与基于单纯复形的高阶网络建模不同,基于依赖关系的高阶结构通常是指在实证数据中观察到的或通过数据挖掘得到的特定连边序列。实证研究表明,真实网络中的游走具有记忆性,节点的转移概率不仅取决于节点的当前位置,还会受到历史行为的影响,这种影响可以用高阶依赖关系来描述。识别和表示网络中基于依赖关系的高阶相互作用有助于充分理解复杂系统中的传播行为、探索高阶马尔可夫动力学等在网络中的应用。


本期分享将聚焦于高阶依赖关系建模这一课题,围绕如下要点进行:
1. 高阶依赖关系的识别与表示

2. 高阶依赖网络的应用


本次分享是论文精读。首先介绍基于依赖关系的高阶网络建模,接下来为了说明方法的有效性,详细汇报一种构建高阶依赖网络的方法,以及后续工作对该方法的优化与应用。



【大纲】
  • 介绍基于依赖关系的高阶建模
  • 背景知识
    • 高阶依赖的定义
    • 传统网络建模方法、高阶网络模型简介
    • 与基于超图和单纯复形的高阶模型的区别
    • 以往研究的进展
  • BuildHON模型的算法框架
    • 总体建模思路、输入、输出
    • Rule extraction思路
    • Network wiring思路
    • 模型应用
      • 社区发现
      • 节点重要性排序
      • 链路预测
    • BuildHON模型的优化与应用
      • 高阶依赖网络的树模型GrowHON
      • 生物流高阶网络模型SF-HON
      • 高阶网络异常值检测
      • 疾病网络的高阶关系
      • 高阶网络嵌入模型HONEM


    【主要涉及到的知识概念】
    高阶依赖关系 Higher-order dependencies
    序列数据 Sequential data
    信息流模型 Information flow model

    非马尔可夫性 Non-Markovian





    主持人




    管青,中国地质大学(北京)副教授,博士生导师。主要研究兴趣为网络数据挖掘,链路预测,高阶建模及其在各领域中的应用。已发表学术论文30篇,主持国家自然科学基金项目、北京市优秀人才培养资助青年骨干人才项目等。

    个人主页:

    https://www.researchgate.net/profile/Qing-Guan-2





    主持人介绍




    李佳旭,国防科技大学系统工程学院1年级博士研究生,研究方向复杂系统建模,大数据挖掘,高阶网络建模与应用。


    管炜,中国地质大学(北京)经济管理学院3年级博士生,专注于复杂系统与网络中信息挖掘的研究,主要研究兴趣是网络数据挖掘、网络嵌入以及高阶网络建模。





    解读文献




    精读的文章

    Xu, J., Wickramarathne, T. L., & Chawla, N. V. (2016). Representing higher-order dependencies in networks. Science Advances, 2(5), e1600028.


    推荐的综述文章

    Lambiotte, R., Rosvall, M., & Scholtes, I. (2019). From networks to optimal higher-order models of complex systems. Nature Physics, 15(4), 313–320.


    优化与应用方向的论文

    • Krieg, S. J., Kogge, P. M., & Chawla, N. V. (2021). GrowHON: A Scalable Algorithm for Growing Higher-order Networks of Sequences., Complex Networks & Their Applications IX, Vol. 944, pp. 485–496.

    • Saebi, M., Xu, J., Curasi, S. R., Grey, E. K., Chawla, N. V., & Lodge, D. M. (2020). Network analysis of ballast-mediated species transfer reveals important introduction and dispersal patterns in the Arctic. Scientific Reports, 10(1), 19558.

    • Saebi, M., Xu, J., Kaplan, L. M., Ribeiro, B., & Chawla, N. V. (2020). Efficient modeling of higher-order dependencies in networks: From algorithm to application for anomaly detection. EPJ Data Science, 9(1), 15.

    • Krieg, S. J., Robertson, D. H., Pradhan, M. P., & Chawla, N. V. (2020). Higher-order Networks of Diabetes Comorbidities: Disease Trajectories that Matter. 2020 IEEE International Conference on Healthcare Informatics (ICHI), 1–11.

    • Saebi, M., Ciampaglia, G. L., Kaplan, L. M., & Chawla, N. V. (2020). HONEM: Learning Embedding for Higher Order Networks. Big Data, 8(4), 255–269.





    直播信息




    时间:

    2022年8月4日(周四)晚上19:30-21:30

    参与方式:
    • 集智俱乐部 B 站免费直播,扫码可预约:

    扫码报名
    • 文末扫码付费参加高阶网络读书会可加入腾讯会议,可提问交流,加入群聊,获取回看地址及更多学习资料,成为集智网络科学社区种子用户,与网络科学社区的一线科研工作者沟通交流,共同推动网络科学社区的发展。


    高阶网络读书会招募中


    随着对现实世界的探索不断深入,人们发现在许多真实的复杂系统中,组成系统的个体之间不仅存在二元交互关系,也广泛存在多个体同时(或以特定顺序)进行交互,即高阶交互现象。为此,研究人员分别发展出了基于超图、单纯复形、依赖关系等的网络高阶表示模型,为复杂网络分析和研究提供了新的思路。为了促进此领域的交流与合作,我们发起了高阶网络读书会

    高阶网络读书会由电子科技大学吕琳媛老师、任晓龙老师及中国地质大学(北京)管青老师联合发起,第一期分享从 6月 28日(周二)20:00 开始,后续每周分享时间为每周四 19:30-21:30 进行,预计持续 10-12 周。这期间,我们将围绕高阶交互网络的基本概念、模型、方法与应用等研究进行研讨,本次读书会分享会按照「基础理论」+「深入理论」+「案例研讨」的模式展开。欢迎感兴趣的朋友参与。


    本季读书会详情与报名方式请参考
    探索复杂系统高阶交互的奥秘 | 高阶网络读书会启动


    点击“阅读原文”,报名直播