技術編輯：芒果果丨發自 思否編輯部
SegmentFault 思否報道丨公眾號：SegmentFault
網絡科學是一個學術領域，旨在揭示網絡背後的結構和動態，如電信、計算機、生物和社會網絡。近年來，網絡科學家一直在試圖解決的一個基本問題是確定一組最能影響網絡功能的最佳節點，被稱為「關鍵參與者」。
相關研究論文已發表在《自然機器智能》雜誌上，論文中描述的框架是在經典網絡模型生成的合成網絡上進行訓練的，然後應用到現實世界的場景中。
FINDER 識別網絡中的關鍵參與者
確定關鍵參與者可以大大有益於許多現實世界的應用，例如，加強網絡免疫技術，以及協助控制流行病、藥物設計和病毒營銷。然而，由於其具有 NP 難性，使用具有多項式時間複雜度的精確算法來解決此問題具有很高的挑戰性。
參與這項研究的高級研究人員之一 Yangyu Liu 說：「這項工作的動機是網絡科學中的一個基本問題: 我們如何才能找到一組最優的關鍵參與者，他們的激活（或刪除）將最大限度地增強（或降低）網絡功能？針對具體的應用場景，已經提出了許多近似和啟發式的策略，但是我們仍然缺乏一個統一的框架來有效地解決這個問題。」
「FINDER」代表通過深度強化學習尋找網絡關鍵參與者的縮寫，它以最近開發的深度學習技術為基礎，用於解決組合優化問題。研究人員將 FINDER 訓練在一個由經典網絡模型生成的大型小型合成網絡上，使用特定於它試圖解決的任務的獎勵函數來引導它。這個策略引導 FINDER 確定它應該做什麼（例如，它應該選擇什麼節點）來根據當前的狀態（例如，當前的網絡結構）確定在一段時間內積累最大的回報應採取的措施。
另一位參與此項研究的高級研究員 Yizhou Sun 說：「在傳統的強化學習任務中，比如機器人技術中，代表狀態和動作可能很簡單，但是網絡卻不是這樣。我們在這個項目中面臨的另一個挑戰是確定如何表示一個網絡，因為它有一個離散的數據結構，位於一個極其高維的空間。為了解決這個問題，我們擴展了當前的圖形神經網絡來表示節點（動作）和圖形（狀態），這是與強化學習任務共同學習的。」
新的深層加固框架已取得良好效果
由 Sun，Liu 和他們的同事設計的新框架具有很高的靈活性，因此可以通過簡單地改變獎勵函數來應用於各種現實世界的網絡分析。它也非常有效，因為它在效率和速度方面超過了許多以前制定的確定網絡中關鍵角色的戰略。值得注意的是，FINDER 可以很容易地擴大規模，以分析包含數千甚至數百萬節點的廣泛網絡。
Yangyu Liu 表示：「與現有技術相比，FINDER 在複雜網絡中尋找關鍵參與者的有效性和效率方面取得了優異的成績。在解決複雜的現實世界網絡上具有挑戰性的優化問題方面，它代表了一種範式轉變。FINDER 不需要特定領域的知識，只需要真實網絡的程度異質性，只需對小的合成圖進行一次離線自我訓練，就可以實現這一目標，然後在大得多的現實世界網絡的不同領域中得到驚人的普及。」
迄今為止，新的深層加固框架已經取得了很好的效果。在未來，它可以用於研究社交網絡、電網、傳染病的傳播以及許多其他類型的網絡。
新項目進行中，可用於人類健康研究
Yangyu Liu 和 Yizhou Sun 與研究團隊收集的結果強調了如經典網絡模型 Barabási-Albert 模型的前景，並從中汲取了靈感。雖然簡單的模型可能看起來非常基本，但實際上，它們通常捕獲了許多現實世界網絡的主要特徵，即程度異構性。當試圖解決與複雜網絡相關的複雜優化問題時，這個特性可能具有巨大的價值。
「我的實驗室正在沿著同樣的研究方向進行幾個不同研究，包括：
（1）設計更好的圖形表示學習架構;
（2）探索如何在不同領域的不同圖形甚至圖形之間轉移知識;
（3）研究圖形上的其他 NP 難題，並從學習的角度解決這些問題。」
Yizhou Sun 和他在加州大學洛杉磯分校的團隊計劃為網絡科學研究開發新技術。而 Yangyu Liu 和他在 HMS 的團隊則希望開始在真正的生物網絡上測試 FINDER。
更具體地說，他們希望利用該框架來確定蛋白質-蛋白質相互作用網絡和基因調控網絡中的關鍵參與者，這些參與者可以在人類健康和疾病中發揮關鍵作用，比如目前全球面臨的疫情防控難題。
論文原文：