[논문 리뷰] Automated Discovery of Interactions and Dynamics for Large Networked Dynamical Systems

Yan Zhang, Yu Guo외 4명|arXiv (Cornell University)|2021. 01. 01.

Gene Regulatory Network Analysis참고 문헌 66인용 수 5

한 줄 요약

이 논문은 베르누이 네트워크 생성기와 마르코프 동역학 학습기를 사용하여 대규모 네트워크 기반 동역학 시스템의 네트워크 구조와 동역학을 통합적으로 자동으로 발견하는 AIDD라는 프레임워크를 제안한다. 이는 노이즈가 있는, 완전하지 않은 데이터로부터 숨겨진 노드를 성공적으로 추론하고, 실제 유전자 조절 네트워크를 재구성하며, 학습된 모델과 참값 모델에 대한 제어 기반 실험을 통해 모델 정확도를 검증한다.

ABSTRACT

Understanding the mechanisms of complex systems is very important. Networked dynamical system, that understanding a system as a group of nodes interacting on a given network according to certain dynamic rules, is a powerful tool for modelling complex systems. However, finding such models according to the time series of behaviors is hard. Conventional methods can work well only on small networks and some types of dynamics. Based on a Bernoulli network generator and a Markov dynamics learner, this paper proposes a unified framework for Automated Interaction network and Dynamics Discovery (AIDD) on various network structures and different types of dynamics. The experiments show that AIDD can be applied on large systems with thousands of nodes. AIDD can not only infer the unknown network structure and states for hidden nodes but also can reconstruct the real gene regulatory network based on the noisy, incomplete, and being disturbed data which is closed to real situations. We further propose a new method to test data-driven models by experiments of control. We optimize a controller on the learned model, and then apply it on both the learned and the ground truth models. The results show that both of them behave similarly under the same control law, which means AIDD models have learned the real network dynamics correctly.

연구 동기 및 목표

• 시간 시리즈 관측치로부터 알려지지 않은 네트워크 구조와 동역학을 발견하는 데 도전하는 것.
• 다양한 네트워크 구조와 동역학적 행동을 처리할 수 있는 확장 가능한 방법을 개발하는 것.
• 노이즈가 있고 완전하지 않은 데이터로부터 실제 생물학적 네트워크, 예를 들어 유전자 조절 네트워크를 재구성하는 것.
• 학습된 모델과 참값 모델에 동일한 제어 실험을 적용하여 데이터 기반 모델의 정확도를 검증하는 것.

제안 방법

• 알 수 없는 네트워크 구조를 모델링하기 위해 베르누이 네트워크 생성기를 사용하여 가능한 상호작용 구조의 확률적 탐색을 가능하게 한다.
• 관측된 시간 시리즈 데이터를 바탕으로 노드 상태 전이를 이끄는 동역학 규칙을 마르코프 동역학 학습기가 추론한다.
• 프레임워크는 시간 시리즈 관측치로부터 네트워크 구조와 잠재 동역학을 동시에 추론한다.
• 학습된 모델에 최적화된 제어기가 학습된 모델과 참값 모델에 모두 적용되어 모델 정확도를 테스트한다.
• 제어 기반 검증은 동일한 제어 입력을 가했을 때 학습된 모델이 참값 시스템의 행동을 얼마나 잘 재현하는지를 평가한다.
• 수천 개의 노드를 포함하는 대규모 시스템과 숨겨진 관측되지 않은 노드를 처리할 수 있도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 통합 프레임워크는 시간 시리즈 데이터로부터 대규모 복잡한 시스템의 네트워크 구조와 동역학을 동시에 발견할 수 있는가?
• RQ2 이 프레임워크는 노이즈가 있고 완전하지 않은 데이터로부터 실제 유전자 조절 네트워크를 얼마나 잘 재구성하는가?
• RQ3 외부 제어가 가해졌을 때 학습된 모델이 참값 시스템의 행동을 정확히 재현할 수 있는가?
• RQ4 제어 기반 검증 방법은 추론된 동역학의 정확성을 어느 정도 확인할 수 있는가?

주요 결과

• AIDD는 수천 개의 노드를 포함하는 대규모 시스템에서 네트워크 구조와 동역학을 성공적으로 추론한다.
• 이 프레임워크는 노이즈가 있고 완전하지 않으며 교란된 데이터로부터 실제 유전자 조절 네트워크를 재구성하며, 실제 세계 조건과 유사하게 나타난다.
• 동일한 제어 법칙이 적용되었을 때 학습된 모델이 참값 모델의 행동을 정확히 재현한다.
• 제어 기반 검증을 통해 AIDD 모델이 참값의 잠재 동역학을 잘 포착하고 있음을 입증하며, 모델의 정밀도를 확인한다.
• 이 방법은 다양한 네트워크 구조와 동역학 유형에 효과적으로 적용되며, 광범위한 적용 가능성을 보여준다.
• 시스템 내 숨겨진 노드가 발견 과정의 일부로 성공적으로 추론된다.