近日，中國國防科技大學、美國加州大學洛杉磯分校和哈佛醫學院的研究人員研發了一個深度強化學習框架FINDER。相比于現有的解決方案，FINDER能夠更快速、更高效地找到復雜網絡中一組最關鍵的節點，進而使復雜網絡以較高的效率運行。

創新互聯公司專注于曲陽網站建設服務及定制，我們擁有豐富的企業做網站經驗。 熱誠為您提供曲陽營銷型網站建設，曲陽網站制作、曲陽網頁設計、曲陽網站官網定制、微信小程序服務，打造曲陽網絡公司原創品牌,更為您提供曲陽網站排名全網營銷落地服務。

這項研究發表在國際期刊《自然》旗下的《自然–機器智能》上，論文標題為《用深度強化學習找到復雜網絡的關鍵參與者（Finding key players in complex networks through deep reinforcement learning）》。

論文鏈接： https://www.nature.com/articles/s42256-020-0177-2

一、FINDER：適用場景更廣泛，運行速度快出幾個數量級

在物理科學、信息科學、生物科學等領域的研究中，研究人員可以通過建立網絡拓撲結構來模擬實際情況、進而作出預測。

在這類復雜網絡的運行過程中，節點間的配合直接決定了復雜網絡運行的效率。當被用于解決NP難題（NP-hard）時，復雜網絡中節點的“分工協作”尤其重要。

NP難題指的是在多項式時間內可以被驗證其正確性的問題。比如，在疫情防控領域，復雜網絡模型可以模擬出疫情傳播情況、幫助找到疫苗藥物分子等。運行這些任務時，復雜網絡要推演和驗證病毒是否會傳染給下一個人、某種藥物分子是否有效的各種情況。在這個過程中，找到最關鍵的節點能夠提升復雜網絡的運行效率。

對于這類問題，現有的解決方案通常基于大型網絡進行訓練、針對特定場景提出策略，但缺乏統一的框架。相比之下，中國國防科技大學、加州大學洛杉磯分校、哈佛醫學院的研究人員提出的FINDER可以應用于廣泛的復雜網絡場景，其運行速度快了幾個數量級。

二、分兩階段進行訓練，分別采用不同獎勵函數

FINDER框架采用純數據驅動的方法，分兩個階段進行訓練。在兩個階段中，研究人員用不同的獎勵函數來訓練FINDER。

第一階段用經典模型生成的小型合成網絡對FINDER進行離線訓練。離線訓練采用?-greedy策略。

離線訓練階段分三步進行：首先，研究人員生成一批合成圖形；然后，研究人員從合成圖形中任意取樣一個圖形；接下來，FINDER框架在這一圖形上進行整個尋找關鍵節點的流程。這一流程中，代理與圖形通過一系列狀態、動作、激勵進行交互。

為了確定狀態的正確動作，代理先在當前的圖形上編碼，并獲取每個節點的嵌入向量。節點的嵌入向量會捕獲節點的結構信息和節點特征之間的長程相互作用（long-range interaction）。接下來，代理將嵌入向量解碼為標量Q值，以便所有節點能夠預測部署某個動作的長程增益。

一旦離線訓練結束，FINDER就進入第二個訓練階段，被應用于真實網絡拓撲結構中。研究人員在浣熊接觸網絡（the raccoon contact network）的連通元件（connected component）上進行測試。連通元件包括14個節點和20條邊。

這一階段中，代理首先將當前網絡編碼為低維嵌入向量，然后利用這些向量對每個節點的Q值進行解碼。

第二階段采用“批量節點選擇（batch nodes selection）”策略。該策略在每個自適應步驟中選擇一個有限分數的高Q節點，避免了對嵌入向量和Q值的逐個迭代選擇和重新計算。批量節點選擇策略不會影響最終的結果，但可以降低幾個數量級的時間復雜度。

研究人員會重復這個過程，直到復雜網絡達到用戶定義的終端狀態、被移除的節點構成最優的節點集合。

三、對比3個模型性能，FINDER找出關鍵節點的效率高

相比于機器人等傳統的強化學習技術（狀態和動作較為簡單），復雜網絡技術更加復雜和難以表示。研究團隊高級研究員孫怡舟稱，這是因為復雜網絡具有離散的數據結構和處于極其高維的空間。

本項研究中，研究人員用圖神經網絡（GNN）來解決這個問題。圖神經網絡中的節點代表動作、圖形代表狀態。

以911恐怖襲擊事件發生預測網絡為例，網絡中每個節點代表參與911恐襲的恐怖分子、每個邊（edge）代表他們的社會交流。

研究人員在911恐怖襲擊事件發生預測網絡上運行FINDER框架，并運行現有的高維（HD）方法和集體影響（CI）方法做對比。

下圖d顯示了三種方法的ANC曲線。在框架部署動作后，剩余節點的重要性越低，代表框架性能越好。

可以看到，FINDER框架最有效地找到了復雜網絡中關鍵節點。相比于其他兩個解決方案，隨著被移除節點的重要性升高，運行FINDER框架的復雜網絡中剩余的節點重要性低。

911恐怖襲擊事件發生預測網絡（藍色點代表剩余圖形中的節點，紅色點代表當前時間步長中FINDER找出的關鍵節點，灰色點代表剩余的孤立節點）

結語：未來將可用于更多類型復雜網絡

FINDER框架通過深度強化學習方法進行訓練，可以找到復雜網絡中的關鍵節點。在未來，FINDER框架或可被用于優化社交網絡、電力網絡、傳染病蔓延網絡等模型的性能。

目前，加州大學洛杉磯分校的研究團隊正計劃將FINDER框架用于網絡科學研究。哈佛醫學院的團隊希望將FINDER用于生物網絡，以確定蛋白質交互網絡和基因調控網絡中的關鍵參與者。

另外，研究人員稱未來將從以下三方面著手，提升框架尋找關鍵節點的性能：設計出更好的圖形表示學習架構；探索如何在跨圖形甚至跨域轉移知識；研究并解決復雜網絡上的其他NP難題。

網站題目：提高復雜網絡分析效率！中國科學家研發強化學習新框架
文章源于：http://www.js-pz168.com/article46/cposhg.html

成都網站建設公司_創新互聯，為您提供用戶體驗、建站公司、移動網站建設、響應式網站、微信小程序、企業網站制作

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯