【技术实现步骤摘要】
一种基于深度学习的传染病传播网络重构方法
本专利技术涉及深度学习与网络科学的交叉领域，并可应用于传染病传播网络的结构重构，具体涉及一种使用深度学习进行网络重构的方法。该模型利用GumbelSoftmax机制，结合神经网络实现的图网络框架，能通过正向模拟网络演化过程和逆向梯度反向传播和权重调整，实现对传染病传播网络结构的重构和动力学规则的模拟。
技术介绍
大规模的复杂网络普遍存在于现实世界中，例如万维网、航空网络、在线社交网络和蛋白质网络等等。人们对网络科学领域的正向问题有较多的研究，例如在已知网络结构和动力学法则的情况下预测网络未来的节点变化。然而，此领域的逆向问题，例如通过观察节点变化状态重构出隐含的网络结构也具有十分重要的意义，并有许多潜在的应用场景。例如：通过生物体的基因表达重构基因调控网络、蛋白质调控网络；利用人群的传染病感染情况重构传染病传播网络，找出关键节点等。在已有的网络重构方法中，一类基于统计推断的方法通常只能够发现节点之间的功能性链接，而相对难以发现结构性链接。其他方法大多基于特定的假设，例如要求动力学方程可微分等等。最近，深度学习在网络科学领域...
【技术保护点】
1.一种基于深度学习的传染病传播网络重构方法，其特征在于，1)对传染病网络进行建模，将传染病网络建模为有向图，其中的节点代表人，节点状态包含健康、染病和恢复三种状态；而网络的连边代表了传染病在人群中的传染关系；2)应用于对传染病的建模结果之上，该模型包括两个部分：网络结构生成器和动力学预测器；使用gumbel‑softmax技术，对邻接矩阵的每一位置以微分的方式进行离散采样；相互独立的采样组成邻接矩阵；通过该方法，采样传染病的传播网络，由于网络生成器的参数为随机初始化，所以初始情况下采样的传染病传播网络并不准确，但梯度下降方法使其准确度逐渐提高；3)使用图网络方法将邻接矩阵...
【技术特征摘要】
1.一种基于深度学习的传染病传播网络重构方法，其特征在于，1)对传染病网络进行建模，将传染病网络建模为有向图，其中的节点代表人，节点状态包含健康、染病和恢复三种状态；而网络的连边代表了传染病在人群中的传染关系；2)应用于对传染病的建模结果之上，该模型包括两个部分：网络结构生成器和动力学预测器；使用gumbel-softmax技术，对邻接矩阵的每一位置以微分的方式进行离散采样；相互独立的采样组成邻接矩阵；通过该方法，采样传染病的传播网络，由于网络生成器的参数为随机初始化，所以初始情况下采样的传染病传播网络并不准确，但梯度下降方法使其准确度逐渐提高；3)使用图网络方法将邻接矩阵信息和当前时刻节点状态信息映射为下一时刻节点状态信息，即用图网络手段对人的健康/染病/恢复演化情况进行模拟；在这个过程中，使用的图网络框架将会将人状态信息映射为人与人之间的传染关系信息，进一步将传染关系信息，也就是所有的传染源对被影响者的潜在影响进行聚合，最后，将更新被影响者的状态，模拟包括健康到健康，健康到染病状态的变换过程。2.如权利要求1所述方法，其特征在于，所述3)中的变换过程抽象为以下四步：点到边的映射：将任意两个节点信息组合并使用邻接矩阵过滤该组合，则生成基本连边信息；将连边信息进行线性映射；边到点的映射：将前述结果按点进行聚合；将聚合后的节点信息进行线性映射；多次迭代前述结果，得到未来多步时间预测；将预测结果与真实结果计算损失；反向传播并进行模型的权重调整。3.如权利要求1所述方法，其特征在于，所述模型还包括对两个模块即网络结构生成器和动力学预测器的交替训练过程，即每次反向传播后，虽然两个模块的参数都带有梯度信息，然而只调整其中一个模块的参数，待其调整完毕后再调整另一个模块，交替进行上述步骤，即完成传染病传播网络的重构和传染病传播动力学的模拟。4.如权利要求1所述方法，其特征在于，所述模型具体包括：4-1)使用g...
【专利技术属性】
技术研发人员：张章，赵诣，刘晶，王硕，陶如意，辛茹月，张江，
申请(专利权)人：北京师范大学，集智学园北京科技有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。