通过识别双曲主干来预测复杂网络的长时动力学
独行速，众行远。图学习研讨会（LOGS）公众号不定期地举行图学习，大语言模型LLM以及机器学习相关的研讨会，邀请相关领域的专家，一线科研人员和顶会论文作者进行分享，希望能够给大家提供一个相互交流，研讨，和学习的平台。如果您有相关的研究， 想要研讨与分享，或者有感兴趣的topic和论文欢迎给我们微信公众号留言，我们会尽快与你取得联系。下面是本次研讨会的主要内容。
时间：北京时间2024年10月26日上午10点
主题：通过识别双曲主干来预测复杂网络的长时动力学
嘉宾：李瑞堃，清华大学深圳国际研究生院23级硕士生
会议二维码:
研讨会主题
复杂网络遍及各种现实世界系统，从自然环境到人类社会。这些网络的本质在于它们能够从微观无序（网络拓扑和节点动态交织在一起）过渡和演化为以某些集体行为为特征的宏观秩序。学习复杂网络的动力学是理解、建模和控制现实世界复杂系统的基础。尽管人们在预测网络节点的未来状态方面做出了巨大努力，但捕获长时动力学的能力仍然受到很大限制。这是因为他们忽视了这样一个事实：复杂网络中的长时动力学主要由其固有的低维流形（即主干）控制。本次汇报中，我们首先从机器学习和网络科学角度分别介绍识别复杂网络主干的方法和缺陷。随后分享我们在KDD2024 Research track的最新工作。
我们提出了一种双曲空间中的重整化群方法来识别复杂网络动力学的主干，它同时保留网络的拓扑和动力学特性。在通过物理信息的双曲嵌入将具有各种动力学的复杂网络压缩为简单的主干后，我们设计了图神经常微分方程来捕获主干上超节点的动力学。最后，我们使用基于度的超分辨率模块将主干上超节点的动力学提升到原始节点。跨越三个代表性动力学和七种网络拓扑的广泛实验证明了所提出方法的卓越性能。
分享嘉宾
李瑞堃，清华大学深圳国际研究生院23级硕士生，师从廖庆敏教授，研究兴趣为数据挖掘和复杂系统建模，以第一作者在国际知识发现与数据挖掘大会SIGKDD上发表多篇文章。
主要参考文献
Li, Ruikun, et al. "Predicting Long-term Dynamics of Complex Networks via Identifying Skeleton in Hyperbolic Space." Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2024.
