[論文レビュー] A Comprehensive Survey on Artificial Intelligence for Complex Network: Potential, Methodology and Application

Jingtao Ding, Chang Liu+9 more|arXiv (Cornell University)|Feb 23, 2024

Cognitive Computing and Networks被引用数 6

ひとこと要約

AI手法が複雑なネットワーク科学をどのように前進させるかを初めて総括した調査であり、潜在能力、方法論（埋め込み、GNN、ダイナミック学習、生成モデル、強化学習、物理情報を用いた機械学習）と応用を詳述する。

ABSTRACT

Complex networks pervade various real-world systems, from the natural environment to human societies. The essence of these networks is in their ability to transition and evolve from microscopic disorder-where network topology and node dynamics intertwine-to a macroscopic order characterized by certain collective behaviors. Over the past two decades, complex network science has significantly enhanced our understanding of the statistical mechanics, structures, and dynamics underlying real-world networks. Despite these advancements, there remain considerable challenges in exploring more realistic systems and enhancing practical applications. The emergence of artificial intelligence (AI) technologies, coupled with the abundance of diverse real-world network data, has heralded a new era in complex network science research. This survey aims to systematically address the potential advantages of AI in overcoming the lingering challenges of complex network research. It endeavors to summarize the pivotal research problems and provide an exhaustive review of the corresponding methodologies and applications. Through this comprehensive survey-the first of its kind on AI for complex networks-we expect to provide valuable insights that will drive further research and advancement in this interdisciplinary field.

研究の動機と目的

• 複雑なネットワーク科学における主要な課題を特定する（高次トポロジー、共進化ダイナミクス、未知のメカニズム、高次元性）とAIを解決策として動機づける。
• AI手法を複雑ネットワークの未解決問題に結びつける分類体系を提供する。
• 自然界と人為的領域にわたる複雑ネットワークモデルのAI活用事例を要約し、データセット資源を強調する。
• AIと機械的ネットワークアプローチの統合戦略を概説し、AI主導のネットワーク科学の今後の展望を論じる。

提案手法

• 複雑ネットワークとAI手法に関する既存文献をレビューし統合する。
• 複雑ネットワークの研究問題の分類体系を定義し、各問題にAI手法を対応づける。
• 6つのAI技術（グラフ埋め込み、グラフニューラルネットワーク、ダイナミックグラフ学習、深層生成モデル、深層強化学習、物理情報を用いた機械学習）とそれぞれの役割について論じる。
• 複雑ネットワークモデリングにおける典型的なAI対応ワークフローとデータ要件を説明する。

実験結果

リサーチクエスチョン

• RQ1 AI手法によって対処可能な複雑ネットワーク科学における未解決の課題は何か？
• RQ2 表現、予測、シミュレーション、推論、生成、制御といった複雑ネットワークを対象とするAI手法をどのように整理できるか？
• RQ3 AI強化された複雑ネットワークモデルを適用できる実践的な領域とデータセットは何か？
• RQ4 ネットワーク科学の発見を進めるためにAIを機械的アプローチとどのように統合すべきか？

主な発見

• 本論文は複雑ネットワークにおけるAIについての包括的で初の試みとなる調査を提供する。
• 複雑ネットワークにおけるAI対応の研究問題の新しい分類体系を導入し、AI手法をこれらの問題に対応づけている。
• 生態、生物、都市、社会領域に渡るAI強化ネットワークモデルの実践的な応用を概説する。
• データ中心の複雑ネットワーク研究を加速させるために不可欠なデータセット資源について論じる。
• AIと機械的モデリングの相互作用を強調し、AI時代のネットワーク科学の発見に向けた方向性を提案する。