崔佳旭博士于7.11成功完成复杂网络系统研究并发表出站报告
崔佳旭博士近日在其博士后研究期间取得了重要成果,并于近期完成了出站报告。报告涵盖了复杂网络系统在现实世界中的广泛应用,如微观粒子系统、交通网络、地球气候、生态系统以及天体系统等。这些系统因其规模和复杂性的增加而呈现出自组织和涌现等非线性特征,导致了流行病爆发和网络群体行为失控等异常现象。研究旨在从科学的角度发现和理解复杂现象的形成和演化,并进一步预防和控制这些现象,这是基础性研究问题,也是世界科技的前沿问题。

在报告中,崔博后指出了复杂网络系统中的两个核心研究问题,即网络拓扑和网络动力学。他指出,网络拓扑描述了系统组件之间的关联关系,而网络动力学揭示了组件之间复杂的交互机制。然而,复杂网络系统研究面临着一些关键难题,包括网络拓扑构建困难、网络优化成本高、领域知识融合不充分以及网络动力学学习受限等。
为了解决这些难题,崔博后提出了一系列创新性的研究成果。首先,他提出了基于参与者位置和偏好联合预测的时空众包任务分配网络构建方法和基于图神经网络预测的时空众包任务分配网络构建方法。这些方法将除轨迹外的其他动态属性引入预测过程,提高了预测准确度,并获得了更优质的分配集合,从而提升了用户体验。

其次,崔博后提出了一种适用于多领域的高效贝叶斯优化方法,该方法融合了图神经网络和贝叶斯优化,在模型层面充分利用了图上的结构和属性信息,减少了评估代价,加快了优化过程。在化学领域的分子发现和交通领域的路网结构优化等实际应用中,该方法得到了最优或近似最优解,并且评估代价仅为现有方法的1/10到1/5。
此外,崔博后还提出了两种领域知识融合方案,分别是基于双系统方法和符号知识增强的图神经网络。这些方案有效地将领域知识引入复杂网络系统研究中,提高了故障识别的准确度和效率。
最后,崔博后提出了一种适应网络动力学学习的随机过程GraphNDPs,并结合多头注意力机制的集成策略mGraphNDPs,以充分表征各种网络动力学场景。实验表明,这种网络动力学大模型在稀疏、不规则采样和具有噪声的观测数据下仍然有效,适应了大量的模拟和真实世界任务。

崔佳旭博后的研究成果对于深入理解和应对复杂网络系统中的异常现象具有重要意义,为未来的科学研究和技术发展提供了有力支持。
