复杂网络动力学机器学习自动建模( 三 ) 导语对复杂网络动力学的学习

文章插图
通过对上表的观察，我们会发现NDCN模型无论对标哪一种图网络结合循环神经网络的模型，都能够获得最有效果。此外，尤其值得一提的一点是，在这里的对比模型应用的参数量都是很多的（105数量级），而NDCN所用到的参数数量相比而言却少了两个数量级（103数量级）。这说明NDCN在使用较少的参数的情况下，达到了最优的效果。
最后，让我们来分享一个半监督分类的有趣实验。这个实验与其他实验的不同之处在于，在半监督分类的任务中，并不存在一个“显式”的动力学过程。在这个任务中，我们可以获得的信息有图结构，节点上的特征信息和一部分节点的标签信息，我们的目的是给未标签的节点打上标签。为了解决这种没有“显式”动力学的问题，本文将标签信息和节点信息共同作为新的节点信息输入给NDCN模型，让模型通过学习信息的扩散来将标签扩散到整个网络上。在这个实验中，对比模型部分本文选取了GCN、GAT等经典模型，它们都十分擅长通过网络结构聚合节点信息。
文章插图
可以看到，在相同的训练次数下， NDCN模型再一次在准确率上取得了最优结果，我们可以这样解释这个结果， NDCN本身在连续的模型上运作，这允许我们以一种更精细的方式来建模动力学过程。在这个任务中，我们不需要特别深的网络结构来完成节点间的信息扩散，事实上，我们在T=1.2时达到了最优的效果（如果用传统的图网络语言来说，是在1.2层得到了最优的分类结果），而普通的图网络方法中，不存在“小数层”这一概念，由此，借用NDCN的方法，我们得以对动力学进行如此精细的控制。
总结本文提出了NDCN的框架，这个框架作为一个连续时间的图网络框架，结合了图网络和神经微分方程的优势，可以在连续时间预测、离散时间预测甚至半监督分类的任务中，都取得最优的结果。此外，值得注意的一点是NDCN模型是非常节省参数的，在大量的实验中， NDCN所用的参数数量都会比对比模型少约两个数量级。在NDCN的框架下，我们得以进一步建模和学习复杂系统的动力学变化，为我们以数据驱动的方式建模和理解系统提供了一个有效的新思路。
讲者：臧承熙
整理：张章
编辑：邓一雪