[论文解读] Automated Discovery of Interactions and Dynamics for Large Networked Dynamical Systems

Yan Zhang, Yu Guo+4 more|arXiv (Cornell University)|Jan 1, 2021

Gene Regulatory Network Analysis参考文献 66被引用 5

一句话总结

本文提出AIDD，一种统一框架，利用伯努利网络生成器和马尔可夫动态学习器，实现从大规模网络化动态系统中自动发现网络结构与动态。该方法成功推断出隐藏节点，从噪声大、不完整数据中重建真实的基因调控网络，并通过在学习模型和真实模型上进行基于控制的实验验证了模型的准确性。

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.

研究动机与目标

• 解决从时间序列观测中发现大规模复杂系统中未知网络结构与动态的挑战。
• 开发一种可扩展的方法，能够处理各种网络拓扑结构和动态行为。
• 从噪声大、不完整数据中重建现实世界中的生物网络，如基因调控网络。
• 通过基于控制的实验验证数据驱动模型，确认其与真实系统动态的一致性。

提出的方法

• 使用伯努利网络生成器建模未知的网络拓扑结构，实现对可能交互结构的随机探索。
• 使用马尔可夫动态学习器基于观测的时间序列数据推断控制节点状态转换的动态规则。
• 该框架联合从时间序列观测中推断网络结构与底层动态。
• 在学习模型上优化控制器，并将其应用于学习模型和真实模型，以测试模型准确性。
• 基于控制的验证评估学习模型在相同控制输入下是否能复现真实系统的行为。
• 该方法设计用于处理包含数千个节点及隐藏未观测节点的大规模系统。

实验结果

研究问题

• RQ1 统一框架能否从时间序列数据中同时发现大规模复杂系统中的网络结构与动态？
• RQ2 该框架在噪声大、不完整数据下重建真实基因调控网络的能力如何？
• RQ3 在外部控制作用下，学习到的模型能否准确复现真实系统的行为？
• RQ4 基于控制的验证方法在多大程度上确认了推断动态的正确性？

主要发现

• AIDD 成功推断出包含数千个节点的大规模系统中的网络结构与动态。
• 该框架能够从噪声大、不完整且受干扰的数据中重建真实的基因调控网络，其条件接近真实世界环境。
• 当施加相同的控制律时，学习到的模型能准确复现真实模型的行为。
• 基于控制的验证表明，AIDD 模型捕捉到了真实底层动态，证实了模型的保真度。
• 该方法在多种网络结构和动态类型中均表现有效，显示出广泛适用性。
• 系统中的隐藏节点在发现过程中被成功推断出来。