Learning Network Dynamics from Noisy Steady States
Learning Network Dynamics from Noisy Steady States
复制标题
从嘈杂的稳态中学习网络动态
DOI：
10.1145/3625007.3631184
复制
发表时间：
2023
期刊：
影响因子：
--
通讯作者：
Magdon-Ismail, Malik
中科院分区：
文献类型：
--
作者：
Ding, Yanna;Gao, Jianxi;Magdon-Ismail, Malik
在给定平衡稳态数据的情况下，我们提出了有效的算法来学习控制网络智能体动态的参数。我们的方法的一个关键特点是能够在没有看到动态的情况下学习，只使用稳定状态。我们的方法效率的关键是使用平均场近似来调整非线性最小二乘（NLS）框架内的参数。我们在真实网络上的结果从两个方面证明了我们方法的准确性。利用学习到的参数，我们可以：(i)在观察到的稳态是有噪声的情况下，恢复更准确的真实稳态估计。预测网络拓扑结构受到扰动后向新的平衡稳态的演化。
We present efficient algorithms to learn the parameters governing the dynamics of networked agents, given equilibrium steady state data. A key feature of our methods is the ability to learnwithout seeing the dynamics, using only the steady states. A key to the efficiency of our approach is the use of mean-field approximations to tune the parameters within a nonlinear least squares (NLS) framework. Our results on real networks demonstrate the accuracy of our approach in two ways. Using the learned parameters, we can: (i) Recover more accurate estimates of the true steady states when the observed steady states are noisy. (ii) Predict evolution to new equilibrium steady states after perturbations to the network topology.
登录
查看更多内容
来自不完整网络的真正非线性动力学
DOI：
10.1609/aaai.v34i01.5343
发表时间：
2020
期刊：
ArXiv
影响因子：
--
作者：
Chunheng Jiang;Jianxi Gao;M. Magdon
通讯作者：
M. Magdon
DOI：
10.1145/3394486.3403132
发表时间：
2019-08
期刊：
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
影响因子：
--
作者：
Chengxi Zang;Fei Wang
通讯作者：
Chengxi Zang;Fei Wang
DOI：
10.1073/pnas.1517384113
发表时间：
2016-04-12
影响因子：
11.1
作者：
Brunton, Steven L.;Proctor, Joshua L.;Kutz, J. Nathan
通讯作者：
Kutz, J. Nathan
连续模拟偏微分方程约束反问题的迭代优化
影响因子：
1.3
作者：
R. Boiger;A. Fiedler;J. Hasenauer;B. Kaltenbacher
通讯作者：
B. Kaltenbacher