[论文解读] 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 6

一句话总结

这是第一份综述，概述AI方法如何推动复杂网络科学，详细介绍潜力、方法论（嵌入、GNN、动态学习、生成模型、强化学习、物理信息ML）和应用。

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.

研究动机与目标

• 识别复杂网络科学中的关键挑战（高阶拓扑、共进化动力学、未知机制、高维性），并将AI作为解决方案的动机。
• 提供将AI方法论与复杂网络中的未解决问题相联系的分类法。
• 总结AI支持的复杂网络模型在自然和人造领域的应用，并突出数据集资源。
• 概述AI与机制性网络方法的整合策略，并讨论以AI驱动的网络科学未来方向。

提出的方法

• 回顾并综合现有关于复杂网络与AI方法的文献。
• 定义复杂网络研究问题的分类法，并将AI方法论与每个问题对齐。
• 讨论六种AI技术（图嵌入、图神经网络、动态图学习、深度生成模型、深度强化学习、物理信息机器学习）及其作用。
• 描述用于复杂网络建模的典型AI驱动工作流程和数据需求。

实验结果

研究问题

• RQ1 AI方法能解决复杂网络科学中的哪些未解决挑战？
• RQ2 AI方法学如何组织以解决复杂网络的表示、预测、仿真、推断、生成和控制？
• RQ3 在哪些实际领域和数据集中，AI增强的复杂网络模型可以应用？
• RQ4 应如何将AI与机制性方法结合，以推动网络科学发现？

主要发现

• 本文提供了关于复杂网络的首个完整的AI综述。
• 它提出了一个新颖的AI驱动研究问题分类法，并将AI方法映射到这些问题。
• 它概述了在生态、生物、城市和社会领域中AI增强网络模型的实际应用。
• 它讨论了推动数据驱动的复杂网络研究所需的数据集资源。
• 它强调了AI与机制建模之间的相互作用，并提出在AI时代推动网络科学发现的方向。