隨著人工智能技術(shù)的突飛猛進發(fā)展，人們已經(jīng)在圖像識別、語音識別、自然語言處理、博弈等領(lǐng)域有了長足的進步，不過大多數(shù)深度學習、機器學習算法都是針對圖像、序列等規(guī)則數(shù)據(jù)，而更多的數(shù)據(jù)卻都是以關(guān)系和網(wǎng)絡的形式呈現(xiàn)的，例如社交網(wǎng)絡、引文關(guān)系網(wǎng)、蛋白質(zhì)相互作用網(wǎng)絡等。我們?nèi)绾螌⑷斯ぶ悄艿淖钚录夹g(shù)應用到復雜網(wǎng)絡之上？最近幾年，一些可以應用到圖結(jié)構(gòu)上的機器學習算法已經(jīng)有了很大的突破，例如Deep Walk算法可以很好地將網(wǎng)絡進行向量表示；圖卷積網(wǎng)絡（Graph Convolutional Network）可以對網(wǎng)絡和圖結(jié)構(gòu)進行卷積，從而高效地處理復雜網(wǎng)絡數(shù)據(jù)。

本研究組關(guān)注如下幾種復雜網(wǎng)絡上的機器學習問題：

· 各類復雜網(wǎng)絡（如投入產(chǎn)出網(wǎng)、注意力流網(wǎng)絡、國際貿(mào)易網(wǎng)等）的嵌入算法

· 連邊預測問題：利用最新的圖注意力技術(shù)，我們可以顯著提高網(wǎng)絡連邊的預測準確度

· 網(wǎng)絡動力學與結(jié)構(gòu)的重構(gòu)：根據(jù)觀測到的網(wǎng)絡上節(jié)點的時間序列，自動學習得到網(wǎng)絡的動力學以及網(wǎng)絡的拓撲結(jié)構(gòu)

· 基于圖優(yōu)化問題的深度強化學習算法：將深度強化學習算法用于一系列圖優(yōu)化問題，如頂點覆蓋問題、最優(yōu)輸運問題等

· 圖分類問題：對整個網(wǎng)絡結(jié)構(gòu)作分類，可以用于網(wǎng)絡在線社區(qū)的診斷、化學藥品的分類等

如果說復雜網(wǎng)絡是復雜系統(tǒng)的骨架，那么系統(tǒng)之中的流動，包括能量流、物質(zhì)流就構(gòu)成了復雜系統(tǒng)的血液。我關(guān)注一類可以抽象成加權(quán)有向網(wǎng)的流動，研究它們的普適規(guī)律，特別是流動系統(tǒng)中的異速生長率。已開展的研究包括：

· 生態(tài)系統(tǒng)中的能量流、食物網(wǎng)

· 國際貿(mào)易中的商品流

· 互聯(lián)網(wǎng)上的點擊流

· 經(jīng)濟系統(tǒng)中的投入產(chǎn)出網(wǎng)絡

· 公路交通流

未來擬開展的研究主要集中在尋找合適的目標函數(shù)，例如系統(tǒng)的總能量流、熵產(chǎn)生，從而從優(yōu)化的角度合理地解釋觀察到的流結(jié)構(gòu)。

著名的Kleiber律指出生物體的體積和新陳代謝呈現(xiàn)指數(shù)為3/4的冪律關(guān)系。進一步的研究指出，包括城市、國家、互聯(lián)網(wǎng)等復雜系統(tǒng)之中都存在著這一普適的規(guī)律。這一規(guī)律是系統(tǒng)內(nèi)部復雜網(wǎng)絡分形生長的具體體現(xiàn)。本人在這方面的研究主要包括實證與理論方面。實證方面：

· 國家中各種指標的異速生長描述

· 公司的異速生長

· 互聯(lián)網(wǎng)社區(qū)的異速生長

理論方面包括如何構(gòu)建生長的復雜網(wǎng)絡模型解釋各類異速生長現(xiàn)象，已有的工作包括：

· 生長的隨機幾何圖

· 復雜網(wǎng)絡的異速生長

· 流網(wǎng)絡的異速生長

未來的研究希望在復雜網(wǎng)絡的重正化群和標度對稱的角度解釋異速生長律的起源。

集智俱樂部創(chuàng)始人、集智學園（北京）科技有限公司創(chuàng)始人

主要講授本科生課程：

復雜性思維、Matlab基礎(chǔ)及其應用、計算機建模與模擬

研究生課程：

數(shù)據(jù)驅(qū)動的人工智能、人工智能、系統(tǒng)科學專題、系統(tǒng)理論進展