發(fā)現(xiàn)復(fù)雜網(wǎng)絡(luò)中的關(guān)鍵參與者，對認(rèn)識及優(yōu)化網(wǎng)絡(luò)整體效能至關(guān)重要。記者近日從國防科技大學(xué)獲悉，該校系統(tǒng)工程學(xué)院研究人員創(chuàng)造性地提出了一種名為FINDER的深度強(qiáng)化學(xué)習(xí)AI算法，實(shí)現(xiàn)了對復(fù)雜網(wǎng)絡(luò)中關(guān)鍵參與者的準(zhǔn)確快速識別，在效果、性能及普適性等方面均超越了現(xiàn)有的解決方案。相關(guān)研究成果近日在《自然·機(jī)器智能》發(fā)表。

在復(fù)雜網(wǎng)絡(luò)中，如果節(jié)點(diǎn)數(shù)增加，尋找關(guān)鍵節(jié)點(diǎn)的時(shí)間會(huì)呈指數(shù)級增長，這在計(jì)算機(jī)科學(xué)中被稱為NP-hard問題，是優(yōu)化算法領(lǐng)域的終極挑戰(zhàn)。解決這一問題的傳統(tǒng)解法包括精確算法、近似算法、啟發(fā)式算法等，但這些算法在準(zhǔn)確性和計(jì)算效率上難以取得令人滿意的平衡。更重要的是，目前缺乏這一類問題的統(tǒng)一求解框架，以致同一類問題的不同應(yīng)用場景都需要專門設(shè)計(jì)不同的算法。

據(jù)介紹，該校研究人員此次提出的FINDER是求解這類問題的統(tǒng)一算法框架。它能夠在經(jīng)典模型生成的小型合成網(wǎng)絡(luò)中先行離線訓(xùn)練，而后根據(jù)特定問題場景獎(jiǎng)勵(lì)函數(shù)的指導(dǎo)，自動(dòng)學(xué)習(xí)掌握“聰明”的選點(diǎn)策略——根據(jù)當(dāng)前狀態(tài)(即當(dāng)前觀察到的網(wǎng)絡(luò)結(jié)構(gòu))，選擇能夠獲得最大預(yù)期回報(bào)的行動(dòng)(即應(yīng)選擇的節(jié)點(diǎn))。

多個(gè)大規(guī)模真實(shí)網(wǎng)絡(luò)上的實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有技術(shù)相比，F(xiàn)INDER在尋找復(fù)雜網(wǎng)絡(luò)關(guān)鍵參與者的準(zhǔn)確性和計(jì)算效率上均取得了更好的表現(xiàn)。特別是在效率上，可以輕松擴(kuò)展到百萬節(jié)點(diǎn)級的大規(guī)模網(wǎng)絡(luò)。此外，F(xiàn)INDER還是一個(gè)高度靈活且通用的框架，只需更改其獎(jiǎng)勵(lì)函數(shù)，就可以應(yīng)用于不同的問題場景。這為分析復(fù)雜網(wǎng)絡(luò)的組織結(jié)構(gòu)原理提供了新的分析范式。

據(jù)悉，該算法未來有望在人群流行病控制、藥物的合理設(shè)計(jì)、疾病致病基因識別、社交媒體輿論引導(dǎo)及謠言阻斷等方面發(fā)揮重要作用。

關(guān)鍵詞： 識別算法