[论文解读] Optimal Sampling in Joint Time- and Graph-Domains for Dynamic Complex Networks

Zhuangkun Wei, Bin Li+1 more|arXiv (Cornell University)|Jan 30, 2019

Gene Regulatory Network Analysis参考文献 26被引用 6

一句话总结

本文提出了一种在时域与图域联合采样下的最优采样理论，旨在完全恢复复杂网络上的非线性动态信号。通过将网络化动态建模为线性化矩阵系统，证明了在系统稳定且初始状态在图谱上为带限的情况下，可通过映射至图结构与动态特性的采样率和采样位置实现完美重构——从而实现真实世界网络中的最优传感器部署与采样率设计。

ABSTRACT

Many engineering, social, and biological complex systems consist of dynamical elements connected via a large-scale network. Monitoring the network's dynamics is essential for a variety of maintenance and scientific purposes. Whilst we understand how to optimally sample a single dynamic element or a non-dynamic graph, we do not possess a theory on how to optimally sample networked dynamical elements. Here, we study nonlinear dynamic graph signals. We define the necessary conditions for optimal sampling in the combining time- and graph-domain to fully recover the networked dynamics. We firstly interpret the networked dynamics into a linearized matrix. Then, We prove that the dynamic signals can be sampled and fully recovered if the networked dynamics is stable and their initialization is bandlimited. This new theory directly maps optimal sampling locations and rates to the graph properties and governing nonlinear dynamics. This can inform the optimal placement of experimental probes and sensors on dynamical networks as well as inform the design of each sensor's optimal sampling rate. We motivate the reader with two examples of recovering the networked dynamics for: social population growth and networked protein biochemical interactions with both bandlimited and arbitrary initialization.

研究动机与目标

• 开发一种用于复杂网络上动态信号最优采样的理论框架，其中涉及时域与图域的联合作用。
• 解决尽管已有单信号或静态图的采样方法，但缺乏对网络化动态系统采样系统的系统性理论的问题。
• 建立网络化动态信号可从采样数据中完全恢复的条件。
• 将最优采样位置与采样率直接映射至图的谱特性与系统的非线性动态特性。
• 指导实际应用中如社会动态与生化网络等场景下的传感器部署与采样率设计。

提出的方法

• 将网络化动态建模为非线性系统，并将其线性化为便于分析的矩阵表示形式。
• 利用图傅里叶变换与时间采样，定义时域与图域联合的信号表示。
• 基于系统稳定性和图谱上初始状态的带限性，建立完美信号恢复的条件。
• 推导采样定理，将最优采样位置与采样率映射至图拉普拉斯矩阵的特征结构与动态参数。
• 利用该理论设计采样方案，在确保完全信号重构的前提下最小化数据采集量。
• 通过理论分析及两个激励性案例验证该方法：社会人口动态与蛋白质相互作用网络。

实验结果

研究问题

• RQ1 在何种条件下，复杂网络上的动态信号可从时域与图域的联合采样数据中实现完美恢复？
• RQ2 如何基于网络的图结构与主导非线性动态特性，确定最优采样位置与采样率？
• RQ3 初始条件的带限性在实现网络化动态完美重构中起到何种作用？
• RQ4 系统稳定性如何影响动态网络最优采样策略的可行性与设计？
• RQ5 所提出的理论是否可应用于真实世界网络化系统，如社交网络与生化网络？

主要发现

• 若系统稳定且初始状态在图谱上为带限，则复杂网络上的动态信号可实现完美恢复。
• 最优采样位置由图拉普拉斯矩阵的特征向量决定，与网络动态的主要模态对齐。
• 采样率与图的谱特性及动态的时间常数相关联，确保冗余最小化与信息最大化。
• 该理论可实现传感器网络的最小探针配置，同时保证网络化动态的完全重构。
• 该框架在两个真实世界案例中得到验证：社会人口增长与网络化蛋白质生化相互作用，证明其在带限与任意初始条件下的适用性。
• 结果表明，最优采样可系统性地从网络的拓扑结构与动态特性中推导得出，而无需对全状态进行观测。