Aug, 2022

基于深度学习的部分观测下网络动态系统图恢复

HTML
PDF
TL;DR研究了图结构识别问题，通过观测到的时间序列，从线性随机网络动态系统的状态设置中获取组件，计算了特征向量，并使用这些特征来训练卷积神经网络进行因果推断，在各种网络上推广良好，可解决大规模系统中不能处理所有节点的问题。
发现论文，激发创造
  • 可学习的物理引擎图网络用于推理和控制

    介绍了一种基于图网络的学习模型，实现了对象和关系为中心的表示的归纳偏差，从而能够更准确地预测复杂动态系统的行为，并支持在线与离线规划。

    Jun, 2018

  • 网络重构与动态学习的通用深度学习框架

    通过提出 Gumbel Graph 网络 (GGN) 框架，我们展示了一种模型自由、数据驱动的深度学习方法，可用于重建网络连接并预测时间序列的状态。该框架在连续、离散、二进制等不同类型的时间序列数据上展现了显著的对比优势。

    Dec, 2018

  • 使用图神经网络学习复杂系统的动力学和结构

    本研究训练了图神经网络以适应来自非线性动力系统的时间序列，发现了学习表示和模型组件的简单解释，并成功地确定了'图翻译器'，使两种新类型广义：仅基于时间序列观测来恢复新系统实例的潜在结构，或者直接从该结构构造新网络。结果表明，理解复杂系统的动态和结构及其如何用于泛化的途径。

    Feb, 2022

  • 学习从有限观测的时空图中重建缺失数据

    该论文提出了一种基于注意力机制的体系结构，可以在处理高度稀疏的时间序列数据时提高自动编码器的鲁棒性，达到填充（imputation）缺失值的目的。

    May, 2022

  • De Bruijn goes Neural：面向动态图上的时间序列数据的因果感知图神经网络

    De Bruijn 图神经网络是一种面向动态图的新型时态图神经网络架构，它利用更高阶 De Bruijn 图实现信息传递，并通过概率建模选出最优的图拓扑结构，使动态图中的时间-拓扑模式可以被有效提取和学习。

    Sep, 2022

  • 我们是否需要一个编码器-解码器来建模网络上的动态系统？

    本文说明了在使用图神经网络时易忽视的一种在网络动力学建模方面的误解，指出利用嵌入在神经动力网络模型中往往会导致模型拟合观测数据的表现良好但动力行为不正确，因此提出了一个不使用嵌入的替代方法，通过实验证明了该模型可以可靠地从时间序列数据中恢复不同网络拓扑下的广泛动态。

    May, 2023

  • 关系推理的动态图先验

    本文提出了一种名为DYGR的动态图先验方法，通过高次非局部多项式滤波器中的误差放大来构造良好的图学习梯度，实现了关系推理，并在科学机器学习中表现出了异常的鲁棒性。

    Jun, 2023

  • 基于深度高斯马尔科夫随机场的图结构动态系统

    该论文提出了一种基于图结构状态空间模型的概率推理方法，利用深度学习和高斯马尔可夫随机场的有原则的推理方法，定义简单的空间和时间图层，并通过变分推理从单个时间序列中高效地学习出灵活的时空先验分布，可缩放地采样出闭合的后验。

    Jun, 2023

  • 学习具有潜在节点和结构噪声的网络动力系统的因果结构

    通过对观测节点的时间序列数据进行特征嵌入和聚类，解决了具有噪声相关性和部分可观测性的线性网络动力系统中隐藏因果网络的学习问题。

    Dec, 2023

  • 基于部分可观测和空间彩色噪声的网络动力系统推断

    在网络化动力系统（NDS）中，每个节点是一个与相邻节点的动力学耦合的系统。我们提出了噪声相关性结构的可行性条件，其中存在一致的网络推断估计器以恢复观察节点之间的基本依赖关系。此外，我们描述了一种结构识别算法，该算法在网络连通性、可观测性和噪声相关性的不同情况下表现出竞争性能。

    Dec, 2023