[论文解读] Predicting Dynamics on Networks Hardly Depends on the Topology

Bastian Prasse, Piet Van Mieghem|arXiv (Cornell University)|May 29, 2020

Opinion Dynamics and Social Influence参考文献 58被引用 4

一句话总结

本文提出了一种网络动力学预测方法，通过直接利用时间动力学而绕过网络重构，证明即使推断出的网络拓扑与真实网络毫无相似之处，也能实现高精度预测。关键洞见在于，动力学预测对拓扑结构的依赖极小，其核心依赖于通过交互函数的多项式逼近所捕获的低维动力学模式。

ABSTRACT

Processes on networks consist of two interdependent parts: the network topology, consisting of the links between nodes, and the dynamics, specified by some governing equations. This work considers the prediction of the future dynamics on an unknown network, based on past observations of the dynamics. For a general class of governing equations, we propose a prediction algorithm which infers the network as an intermediate step. Inferring the network is impossible in practice, due to a dramatically ill-conditioned linear system. Surprisingly, a highly accurate prediction of the dynamics is possible nonetheless: Even though the inferred network has no topological similarity with the true network, both networks result in practically the same future dynamics.

研究动机与目标

• 解决仅基于节点状态历史观测，在未知网络上预测未来动力学的挑战。
• 探究精确预测网络动力学是否需要对底层网络拓扑进行高保真重构。
• 开发一种不依赖拓扑结构的预测方法，转而聚焦于观测数据中的动力学模式。
• 证明网络重构是病态的且通常不可行，但预测仍可保持高度准确。

提出的方法

• 该方法使用一类包含自动力学和成对交互的连续时间方程来建模网络动力学，交互由函数 $ g(x_i, x_j) $ 控制，动力学通过常微分方程组演化。
• 采用交互函数 $ g $ 的多项式逼近，将级数展开截断至有限阶 $ q $，从而将动力学问题转化为线性回归问题。
• 该算法从时间序列中观测到的节点状态构建设计矩阵 $ F_{q,i} $，其中每一行对应一个时间点，每一列对应一个次数不超过 $ q $ 的单项式项。
• 该方法使用截断奇异值分解（SVD）求解病态线性系统以估计交互权重，有效正则化了推理过程。
• 预测直接基于拟合的系数完成，无需重构网络，依赖于状态演化中的低秩结构。
• 理论分析表明，设计矩阵的秩受动力学模态数 $ m $ 和多项式阶数 $ q $ 的函数约束，解释了病态性并实现了稳定预测。

实验结果

研究问题

• RQ1 能否在不重构底层网络拓扑的前提下，准确预测未来网络动力学？
• RQ2 动力学预测的准确性在多大程度上依赖于网络重构的保真度？
• RQ3 为何网络重构是病态的？数据的何种结构特性导致这种不稳定性？
• RQ4 即使存在拓扑模糊性，节点状态中的低维动力学模式能否实现准确预测？
• RQ5 交互函数的多项式结构在实现无需拓扑结构的稳定预测中起到何种作用？

主要发现

• 尽管网络重构问题极度病态，所提方法仍能实现对未来动力学的高度准确预测。
• 推断出的网络与真实网络在拓扑上毫无相似性，但两者产生的未来动力学几乎完全相同。
• 设计矩阵 $ F_{q,i} $ 的秩在每个阶数 $ \beta $ 下受 $ \binom{\beta + m - 1}{m - 1} $ 限制，其中 $ m $ 为动力学模态数，解释了病态性。
• 对于具有 $ m = 10 $ 个动力学模态和多项式阶数 $ q = 2 $ 的SIS流行病模型，$ F_i $ 的最大秩被限制在66，表明动力学处于低维子空间中。
• 即使推断出的邻接矩阵 $ \tilde{A} $ 与真实 $ A $ 拓扑差异显著，预测精度仍保持较高，证实动力学对拓扑的依赖性极弱。
• 该方法通过聚焦于节点状态演化内在的低维流形，绕过结构推断，实现了准确预测。