中美高校合做開發深度學習框架，或可用於疫情防範控制

技術編輯：芒果果丨發自 思否編輯部
SegmentFault 思否報道丨公衆號：SegmentFault

網絡科學是一個學術領域，旨在揭示網絡背後的結構和動態，如電信、計算機、生物和社會網絡。近年來，網絡科學家一直在試圖解決的一個基本問題是肯定一組最能影響網絡功能的最佳節點，被稱爲「關鍵參與者」。

最近，中國國防科技大學、加州大學洛杉磯分校和哈佛醫學院的研究人員開發了一個深度強化學習分析框架，稱爲 FINDER，能夠更有效地識別複雜網絡中的關鍵參與者。

相關研究論文已發表在《天然機器智能》雜誌上，論文中描述的框架是在經典網絡模型生成的合成網絡上進行訓練的，而後應用到現實世界的場景中。

FINDER 識別網絡中的關鍵參與者

肯定關鍵參與者能夠大大有益於許多現實世界的應用，例如，增強網絡免疫技術，以及協助控制流行病、藥物設計和病毒營銷。 然而，因爲其具備 NP 難性，使用具備多項式時間複雜度的精確算法來解決此問題具備很高的挑戰性。

參與這項研究的高級研究人員之一  Yangyu Liu 說：「這項工做的動機是網絡科學中的一個基本問題: 咱們如何才能找到一組最優的關鍵參與者，他們的激活（或刪除）將最大限度地加強（或下降）網絡功能？針對具體的應用場景，已經提出了許多近似和啓發式的策略，可是咱們仍然缺少一個統一的框架來有效地解決這個問題。」

「FINDER」表明經過深度強化學習尋找網絡關鍵參與者的縮寫，它以最近開發的深度學習技術爲基礎，用於解決組合優化問題。研究人員將 FINDER 訓練在一個由經典網絡模型生成的大型小型合成網絡上，使用特定於它試圖解決的任務的獎勵函數來引導它。 這個策略引導 FINDER 肯定它應該作什麼（例如，它應該選擇什麼節點）來根據當前的狀態（例如，當前的網絡結構）肯定在一段時間內積累最大的回報應採起的措施。

另外一位參與此項研究的高級研究員 Yizhou Sun 說：「在傳統的強化學習任務中，好比機器人技術中，表明狀態和動做可能很簡單，可是網絡卻不是這樣。咱們在這個項目中面臨的另外一個挑戰是肯定如何表示一個網絡，由於它有一個離散的數據結構，位於一個極其高維的空間。 爲了解決這個問題，咱們擴展了當前的圖形神經網絡來表示節點（動做）和圖形（狀態），這是與強化學習任務共同窗習的。」

爲了有效地表示覆雜的網絡，研究人員共同肯定了各個網絡狀態和動做的最佳表示，以及當網絡處於特定狀態時肯定最佳動做的最佳策略。由此產生的表示方法能夠指導 FINDER 識別網絡中的關鍵參與者。

新的深層加固框架已取得良好效果

由 Sun，Liu 和他們的同事設計的新框架具備很高的靈活性，所以能夠經過簡單地改變獎勵函數來應用於各類現實世界的網絡分析。 它也很是有效，由於它在效率和速度方面超過了許多之前制定的肯定網絡中關鍵角色的戰略。 值得注意的是，FINDER 能夠很容易地擴大規模，以分析包含數千甚至數百萬節點的普遍網絡。

Yangyu Liu 表示：「與現有技術相比，FINDER 在複雜網絡中尋找關鍵參與者的有效性和效率方面取得了優異的成績。在解決複雜的現實世界網絡上具備挑戰性的優化問題方面，它表明了一種範式轉變。 FINDER 不須要特定領域的知識，只須要真實網絡的程度異質性，只需對小的合成圖進行一次離線自我訓練，就能夠實現這一目標，而後在大得多的現實世界網絡的不一樣領域中獲得驚人的普及。」

迄今爲止，新的深層加固框架已經取得了很好的效果。 在將來，它能夠用於研究社交網絡、電網、傳染病的傳播以及許多其餘類型的網絡。

新項目進行中，可用於人類健康研究

Yangyu Liu 和 Yizhou Sun 與研究團隊收集的結果強調了如經典網絡模型 Barabási-Albert 模型的前景，並從中汲取了靈感。 雖然簡單的模型可能看起來很是基本，但實際上，它們一般捕獲了許多現實世界網絡的主要特徵，即程度異構性。 當試圖解決與複雜網絡相關的複雜優化問題時，這個特性可能具備巨大的價值。

「個人實驗室正在沿着一樣的研究方向進行幾個不一樣研究，包括：（1）設計更好的圖形表示學習架構; （2）探索如何在不一樣領域的不一樣圖形甚至圖形之間轉移知識; （3）研究圖形上的其餘 NP 難題，並從學習的角度解決這些問題。」

Yizhou Sun 和他在加州大學洛杉磯分校的團隊計劃爲網絡科學研究開發新技術。而 Yangyu Liu 和他在 HMS 的團隊則但願開始在真正的生物網絡上測試 FINDER。

更具體地說，他們但願利用該框架來肯定蛋白質-蛋白質相互做用網絡和基因調控網絡中的關鍵參與者，這些參與者能夠在人類健康和疾病中發揮關鍵做用，好比目前全球面臨的疫情防控難題。

論文連接：https://www.nature.com/articl...