Learning effective models from network dynamics data with multiple initial conditions using weak form SINDy

ملخص تقني: تعلم نماذج فعالة من بيانات ديناميكيات الشبكات باستخدام عدة ظروف أولية عبر طريقة SINDy بالصيغة الضعيفة

بيان المشكلة
تتضمن الأنظمة الاجتماعية شبكات معقدة حيث تتفاعل الأنشطة عبر الإنترنت والأنشطة الواقعية (أوفلاين) وتؤثر في بعضها البعض. وبينما توجد نماذج رياضية لوصف هذه الديناميكيات الزمانية والمكانية، لا يزال هناك تحدٍ كبير يتمثل في ربط هذه النماذج بالبيانات التجريبية للكشف عن الآليات الحاكمة والتحقق منها، لا سيما في الشبكات المعقدة. غالبًا ما تفترض الأساليب التقليدية هياكل نماذج ثابتة أو آليات أساسية محددة. علاوة على ذلك، فإن البيانات الواقعية المستمدة من الأنظمة العشوائية أو الشبكية غالبًا ما تكون مشوبة بالضجيج، مما يجعل طرق تحديد الأنظمة التقليدية القائمة على الاشتقاق (مثل SINDy القياسي) غير موثوقة بسبب عدم استقرار تقدير المشتقات. يهدف المؤلفون إلى معالجة هذه التحديات من خلال استقصاء كيفية استخدام الطرق القائمة على البيانات لاستعادة المعادلات الحاكمة لديناميكيات اجتماعية مقترنة بين الإنترنت والواقع، مع فحص تأثير مستويات الضجيج وعدد مسارات التدريب (الظروف الأولية) على أداء التعلم.

المنهجية
تستخدم الدراسة طريقة تحديد الديناميكيات غير الخطية المتناثرة بالصيغة الضعيفة (WSINDy)، وهي طريقة تتجنب التقدير الصريح للمشتقات باستخدام الالتفاف (convolution) مع دالات اختبار ذات دعم متراص. يحول هذا النهج مشكلة تعلم المعادلات التفاضلية إلى مشكلة انحدار خطي في الصيغة الضعيفة، مما يعزز المتانة ضد الضجيج.

يقيم المؤلفون طريقة WSINDy باستخدام نموذجين متميزين:

1. نموذج المجتمع كامل الاختلاط: نظام حتمي من المعادلات التفاضلية العادية (ODEs) مشتق من تقريب المجال المتوسط لعملية تفاعل عشوائية. يعمل هذا النموذج كـ "أرضية حقيقية" للاختبار حيث تكون المعادلات الحقيقية معروفة، مما يسمح بتقييم استعادة المعلمات ودقة اختيار الحدود تحت مستويات متفاوتة من ضجيج غاوس المضاف.
2. نموذج الشبكة العشوائي: سلسلة ماركوف زمنية مستمرة تصف أفراداً بحالات هجينة (عبر الإنترنت وفي الواقع) يتفاعلون على شبكات "إردوس-ريني" عشوائية. في هذا السيناريو، لا تمتلك الديناميكيات الأساسية مجموعة حقيقية من المعادلات التفاضلية العادية المستمرة. يقوم المؤلفون بتوليد بيانات التدريب عن طريق حساب متوسط عدة تجليات لخوارزمية "جيليسبي" لظروف أولية وهياكل شبكية محددة.

تستخدم عملية التعلم مكتبة سمات تحتوي على حدود خطية، وثنائية الخطية، وحدود متعددة الحدود من درجات أعلى. يقوم المؤلفون بتغيير عدد مسارات التدريب (الظروف الأولية المتميزة) ومستويات الضجيج بشكل منهجي لتقييم الأداء. وتشمل المقاييس الرئيسية ما يلي:

• أخطاء المعادلة والمخرجات: لقياس مدى دقة الديناميكيات المتعلمة.
• نسبة الإيجابيات الحقيقية (TPR): لتقييم دقة اختيار الحدود.
• خطأ المعلمات: لتقييم دقة استعادة المعاملات.
• معدل الفشل: بالنسبة للنموذج العشوائي، لتتبع حالات فشل التكامل، والحلول خارج النطاق، والحلول المسطحة.

المساهمات والنتائج الرئيسية

1. تأثير المسارات المتعددة على المتانة ضد الضجيج:

   • في تجارب نموذج المجتمع كامل الاختلاط، يؤدي استخدام مسار واحد أداءً جيداً فقط في الظروف الخالية من الضجيج. ومع زيادة الضجيج، تنخفض الدقة بشكل كبير.
   • يؤدي إدخال مسارات إضافية (ظروف أولية مختلفة) إلى تحسين تحمل الضجيج بشكل جوهري.
   • نتيجة حاسمة: الفائدة الهامشية لإضافة المسارات تتضاءل بسرعة. إن زيادة عدد المسارات من 1 إلى 2 أو 3 تحقق تحسينات كبيرة في نسبة الإيجابيات الحقيقية (TPR)، وخطأ المعلمات، وخطأ المعادلة. ومع ذلك، فإن إضافة أكثر من 3 مسارات لا يقدم سوى تحسن طفيف أو لا يقدم أي تحسن في متوسط الأداء، حتى عند الوصول إلى 10 مسارات.

2. التعلم من بيانات الشبكة العشوائية:

   • عند التطبيق على البيانات العشوائية في الشبكات العشوائية، تنجح طريقة WSINDy في تعلم نماذج معادلات تفاضلية عادية فعالة تقرب متوسط العينات للديناميكيات.
   • على غرار حالة المجتمع كامل الاختلاط، فإن زيادة عدد المسارات من 1 إلى 3 يقلل بشكل كبير من معدل الفشل (فشل التكامل، انتهاك الحدود، والحلول المسطحة) ويخفض أخطاء المخرجات.
   • بعد 3 مسارات، يستقر معدل الفشل ومقاييس الخطأ، مما يظهر أدنى قدر من التحسن الإضافي.

3. المقارنة مع تقريبات المجال المتوسط:

   • في أنظمة الشبكات المتناثرة (درجة متوسطة منخفضة)، غالباً ما تفشل تقريبات المجال المتوسط التقليدية في التقاط تأثيرات الاتصال المحلي، مما يؤدي إلى تنبؤات غير دقيقة.
   • توفر النماذج القائمة على البيانات التي تعلمتها طريقة WSINDy تقريبات أفضل للديناميكيات العشوائية مقارنة بنماذج المجال المتوسط المشتقة تحليلياً في هذه الأنظمة المتناثرة.
   • تتوافق النماذج المتعلمة للحالة الواقعية ($P$) بشكل وثيق مع نموذج المجتمع كامل الاختلاط، بينما تتضمن الحالات عبر الإنترنت ($U, E$) حدوداً إضافية (مثل $E \cdot P$) تعمل على الأرجح كتقريبات فعالة لتأثيرات الشبكة والطبقات المتقاطعة.

الأهمية والادعاءات
يضع البحث نفسه كخطوة أولية نحو ربط بيانات الديناميكيات الاجتماعية في هياكل الشبكات بنماذج فعالة قائمة على البيانات. يدعي المؤلفون أن عملهم يثبت:

• الكفاءة في استخدام البيانات: إن عدداً صغيراً من المسارات (تحديداً 2 أو 3) مع ظروف أولية مختلفة كافٍ للحصول على معظم فوائد التعلم متعدد المسارات، مما يجعل هذا النهج عملياً في السيناريوهات التي يكون فيها جمع البيانات محدوداً.
• التفوق في الشبكات المتناثرة: يمكن للطرق القائمة على البيانات أن تنتج نماذج تطابق الديناميكيات التجريبية بشكل أفضل من تقريبات المجال المتوسط التقليدية التي تفشل بسبب إهمال تمايز العقد المحلي.
• المتانة: إن صيغة الشكل الضعيف تتعامل بفعالية مع الضجيج المتأصل في العمليات العشوائية وبيانات الشبكات، مما يتيح اكتشاف المعادلات الحاكمة حيث قد تفشل الطرق القياسية.

يبقى المؤلفون متواضعين فيما يتعلق بالتداعوات المستقبلية، مشيرين إلى أنه بينما يقدمون تحليلاً حوسبياً، لا تزال هناك حاجة إلى عمل مستقبلي لإرساء ضمانات نظرية فيما يتعلق بالرتبة، وكفاية البيانات، وتطبيق هذه الطرق على بيانات العالم الحقيقي التي تحتوي على معلومات مفقودة أو حالات خفية. كما يسلطون الضوء على الحاجة إلى طرق فعالة لاختيار معلومات المسار الأكثر قيمة لتعلم النموذج.