[发明专利]一种基于深度学习的传染病传播网络重构方法

说明书

本发明公开了一种基于深度学习的传染病传播网络重构方法，从观察到的人群感染状态数据重构传染病网络隐含的网络结构网络科学技术在实际问题中的重要应用。本方法提出了一种数据驱动的深度学习框架来同时完成网络传染病传播网络的连接结构的重构和网络动力学规则的模拟。该方法由两个交替训练的模块组成，分别是：生成离散网络连接表示的网络生成器和使用生成的网络表示和当前节点状态以预测未来阶段状态的动力学预测器。本方法所述模型具有较强的通用性，这让我们可以还原传染病传播路径，找到关键节点，并提前对关键节点进行接种，实现对传染病的控制。

技术领域

本发明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Gumbel Softmax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。

背景技术

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有了较多的应用，例如将深度学习技术应用于图分类，节点分类和连边预测任务中等，然而，目前尚不存在直接使用深度学习技术同时重构网络结构和动力学法则的工作。也不存在使用深度学习进行传染病网络重构的应用。

发明内容

发明目的：本发明在于提出了一种数据驱动、无模型限制的可同时从人群感染状态变化数据中重构感染病网络传染路径的方法。本方法让我们可以还原传染病传播路径，找到关键节点，并提前对关键节点进行接种，实现对传染病的控制。

为了实现上述目的，本发明提供了一种基于深度学习的网络重构模型。首先，我们将对传染病网络进行建模，以常见的视角，我们选择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，例如A将该病传染给了B，使得B的状态从健康更改为染病，则A到B之间存在从A出发指向B的一条连边。

进一步，我们将本方法所述模型应用于对传染病的建模结果之上，该模型包括两个主要部分：网络结构生成器和动力学预测器。所述方法包括：使用gumbel-softmax技术，对邻接矩阵的每一位置以可微分的方式进行离散采样；相互独立的采样组成邻接矩阵；通过这种方法，我们可以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，但梯度下降方法可以使其准确度逐渐提高。

本方法还包括，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。及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，我们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，也就是所有的可能的传染源对被影响者的潜在影响进行聚合，最后，我们将更新被影响者的状态，模拟包括健康到健康，健康到染病等状态的变换过程。