技术编辑：芒果果丨发自 思否编辑部
SegmentFault 思否报道丨公众号：SegmentFault
网络科学是一个学术领域，旨在揭示网络背后的结构和动态，如电信、计算机、生物和社会网络。近年来，网络科学家一直在试图解决的一个基本问题是确定一组最能影响网络功能的最佳节点，被称为「关键参与者」。
最近，中国国防科技大学、加州大学洛杉矶分校和哈佛医学院的研究人员开发了一个深度强化学习分析框架，称为 FINDER，可以更有效地识别复杂网络中的关键参与者。
相关研究论文已发表在《自然机器智能》杂志上，论文中描述的框架是在经典网络模型生成的合成网络上进行训练的，然后应用到现实世界的场景中。
FINDER 识别网络中的关键参与者
确定关键参与者可以大大有益于许多现实世界的应用，例如，加强网络免疫技术，以及协助控制流行病、药物设计和病毒营销。然而，由于其具有 NP 难性，使用具有多项式时间复杂度的精确算法来解决此问题具有很高的挑战性。
参与这项研究的高级研究人员之一 Yangyu Liu 说：“这项工作的动机是网络科学中的一个基本问题: 我们如何才能找到一组最优的关键参与者，他们的激活（或删除）将最大限度地增强（或降低）网络功能？针对具体的应用场景，已经提出了许多近似和启发式的策略，但是我们仍然缺乏一个统一的框架来有效地解决这个问题。”
“FINDER”代表通过深度强化学习寻找网络关键参与者的缩写，它以最近开发的深度学习技术为基础，用于解决组合优化问题。研究人员将 FINDER 训练在一个由经典网络模型生成的大型小型合成网络上，使用特定于它试图解决的任务的奖励函数来引导它。这个策略引导 FINDER 确定它应该做什么（例如，它应该选择什么节点）来根据当前的状态（例如，当前的网络结构）确定在一段时间内积累最大的回报应采取的措施。
另一位参与此项研究的高级研究员 Yizhou Sun 说：“在传统的强化学习任务中，比如机器人技术中，代表状态和动作可能很简单，但是网络却不是这样。我们在这个项目中面临的另一个挑战是确定如何表示一个网络，因为它有一个离散的数据结构，位于一个极其高维的空间。为了解决这个问题，我们扩展了当前的图形神经网络来表示节点（动作）和图形（状态），这是与强化学习任务共同学习的。”
为了有效地表示复杂的网络，研究人员共同确定了各个网络状态和动作的最佳表示，以及当网络处于特定状态时确定最佳动作的最佳策略。由此产生的表示方法可以指导 FINDER 识别网络中的关键参与者。
新的深层加固框架已取得良好效果
由 Sun，Liu 和他们的同事设计的新框架具有很高的灵活性，因此可以通过简单地改变奖励函数来应用于各种现实世界的网络分析。它也非常有效，因为它在效率和速度方面超过了许多以前制定的确定网络中关键角色的战略。值得注意的是，FINDER 可以很容易地扩大规模，以分析包含数千甚至数百万节点的广泛网络。
Yangyu Liu 表示：“与现有技术相比，FINDER 在复杂网络中寻找关键参与者的有效性和效率方面取得了优异的成绩。在解决复杂的现实世界网络上具有挑战性的优化问题方面，它代表了一种范式转变。FINDER 不需要特定领域的知识，只需要真实网络的程度异质性，只需对小的合成图进行一次离线自我训练，就可以实现这一目标，然后在大得多的现实世界网络的不同领域中得到惊人的普及。”
迄今为止，新的深层加固框架已经取得了很好的效果。在未来，它可以用于研究社交网络、电网、传染病的传播以及许多其他类型的网络。
新项目进行中，可用于人类健康研究
Yangyu Liu 和 Yizhou Sun 与研究团队收集的结果强调了如经典网络模型 Barabási-Albert 模型的前景，并从中汲取了灵感。虽然简单的模型可能看起来非常基本，但实际上，它们通常捕获了许多现实世界网络的主要特征，即程度异构性。当试图解决与复杂网络相关的复杂优化问题时，这个特性可能具有巨大的价值。
“我的实验室正在沿着同样的研究方向进行几个不同研究，包括：
（1）设计更好的图形表示学习架构;
（2）探索如何在不同领域的不同图形甚至图形之间转移知识;
（3）研究图形上的其他 NP 难题，并从学习的角度解决这些问题。”
Yizhou Sun 和他在加州大学洛杉矶分校的团队计划为网络科学研究开发新技术。而 Yangyu Liu 和他在 HMS 的团队则希望开始在真正的生物网络上测试 FINDER。
更具体地说，他们希望利用该框架来确定蛋白质-蛋白质相互作用网络和基因调控网络中的关键参与者，这些参与者可以在人类健康和疾病中发挥关键作用，比如目前全球面临的疫情防控难题。
论文原文：
https://www.nature.com/articles/s42256-020-0177-2
