繁杂系统的优化掌控：图网络与强化学习的融合丨图神经网络与组合优化读书会·周三直播
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><img src="https://mmbiz.qpic.cn/mmbiz_png/wibWV1DB7tWIFLzcj4jGMKUib9pBAbHPDZpribBR3IMXxTOOufHORlvfnseJnAicPJd8nFuEyTZjnVMhQgx3LoOApQ/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1" style="width: 50%; margin-bottom: 20px;"></p><img src="https://mmbiz.qpic.cn/mmbiz_png/wibWV1DB7tWIFLzcj4jGMKUib9pBAbHPDZTsrgSZIY64fRRnR6bH6vnUcdlrEQlxouKRibcibV57VOn8R0cubOUFag/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1" style="width: 50%; margin-bottom: 20px;">
<h3 style="color: black; text-align: left; margin-bottom: 10px;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;"><strong style="color: blue;">分享内容简介</strong></strong></p>
</h3><span style="color: black;"><span style="color: black;"><span style="color: black;">繁杂</span>系统广泛存在于自然界和人类社会中，对<span style="color: black;">繁杂</span>系统进行建模和调控是一个重要且<span style="color: black;">拥有</span><span style="color: black;">实质</span>价值的问题。<span style="color: black;">繁杂</span>系统的建模<span style="color: black;">包含</span>对其时间上动力学以及空间上<span style="color: black;">构成</span>元素之间交互关系的建模。<span style="color: black;">经过</span>图神经网络学习<span style="color: black;">繁杂</span>系统中元素间的交互关系，能够模拟<span style="color: black;">繁杂</span>系统的动态演化，为<span style="color: black;">繁杂</span>系统的调控和优化<span style="color: black;">供给</span>支持。<span style="color: black;">这次</span>分享将介绍图网络和强化学习相结合在交通信号灯<span style="color: black;">掌控</span>、<span style="color: black;">疾患</span>传播、鸟群模型等若干<span style="color: black;">繁杂</span>系统优化<span style="color: black;">掌控</span>中的应用。</span></span>
<h3 style="color: black; text-align: left; margin-bottom: 10px;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;"><strong style="color: blue;">分享内容大纲</strong></strong></p>
</h3>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">繁杂</span>系统背景介绍</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">繁杂</span>系统建模与调控<span style="color: black;">关联</span>工作</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">真实<span style="color: black;">繁杂</span>系统建模与调控的挑战</p>图网络结合强化学习应用于<span style="color: black;">繁杂</span>系统建模调控<h3 style="color: black; text-align: left; margin-bottom: 10px;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;"><strong style="color: blue;">主讲人介绍</strong></strong></p>
</h3><img src="https://mmbiz.qpic.cn/mmbiz_jpg/wibWV1DB7tWIFLzcj4jGMKUib9pBAbHPDZoiau71OeSsHy3LcfayuhJB4mtwWwyeRODd6JibicYem2aXRm4SeIfdWibQ/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1" style="width: 50%; margin-bottom: 20px;"><strong style="color: blue;"><span style="color: black;">牟牧云</span></strong><span style="color: black;">，北京师范大学系统科学学院博士生，<span style="color: black;">科研</span>方向：<span style="color: black;">繁杂</span>系统、强化学习、图网络。</span>
<h3 style="color: black; text-align: left; margin-bottom: 10px;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;"><strong style="color: blue;">直播信息</strong></strong></p>
</h3><strong style="color: blue;"><span style="color: black;">时间：</span></strong><span style="color: black;">2023年8月2日（本周三）<span style="color: black;">夜晚</span>19:00-21:00</span><strong style="color: blue;"><span style="color: black;">参与方式：</span></strong>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><img src="https://mmbiz.qpic.cn/mmbiz_png/wibWV1DB7tWIFLzcj4jGMKUib9pBAbHPDZCXEGOYwrtVUibfDiaq3EnKq2tnfOcPgStJUzjlxnRTyDZ6kyQNRLw7GQ/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1" style="width: 50%; margin-bottom: 20px;"></p><span style="color: black;">扫码参与图神经网络与组合优化读书会，加入群聊，获取系列读书会回看权限，<span style="color: black;">作为</span>图神经网络社区的种子用户，与社区的一线<span style="color: black;">研究</span>工作者与企业实践者沟通交流，<span style="color: black;">一起</span>推动图神经网络社区的发展。</span>
<h3 style="color: black; text-align: left; margin-bottom: 10px;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;"><strong style="color: blue;"><span style="color: black;">重点</span><span style="color: black;">触及</span>的前置概念</strong></strong></p>
</h3><strong style="color: blue;"><span style="color: black;"> • </span><span style="color: black;"><span style="color: black;">繁杂</span>系统 （Complex System）</span></strong><span style="color: black;"><span style="color: black;">繁杂</span>系统 complex system由许多相互<span style="color: black;">功效</span>的元素<span style="color: black;">构成</span>。<span style="color: black;">繁杂</span>系统的例子无处不在：<span style="color: black;">全世界</span>气候、有机体、人脑、电网、交通、通讯系统等<span style="color: black;">基本</span><span style="color: black;">设备</span>网络、城市社会和经济组织网络、生态系统、活细胞、<span style="color: black;">乃至</span><span style="color: black;">全部</span>宇宙，这些都<span style="color: black;">能够</span>看作是<span style="color: black;">繁杂</span>系统。<span style="color: black;">详细</span>参见集智百科：</span><span style="color: black;">https://wiki.swarma.org/index.php/%E5%A4%8D%E6%9D%82%E7%B3%BB%E7%BB%9F_Complex_Systems</span><strong style="color: blue;"><span style="color: black;"><span style="color: black;"> • </span><span style="color: black;">繁杂</span>网络 (Complex Network)</span></strong><span style="color: black;"><span style="color: black;">繁杂</span>网络是一种理解现实世界<span style="color: black;">繁杂</span>系统的抽象模型。它将<span style="color: black;">繁杂</span>系统中的实体抽象成节点 ，将实体之间的关系抽象成连线。虽然数学中的图论<span style="color: black;">亦</span>在<span style="color: black;">科研</span>网络， <span style="color: black;">然则</span>现实中的网络会有<span style="color: black;">更加多</span>的随机特性。<span style="color: black;">因此呢</span>，<span style="color: black;">繁杂</span>网络 <span style="color: black;">通常</span>更加关注网络的统计特征。在网络理论的背景下，<span style="color: black;">繁杂</span>网络是一个<span style="color: black;">拥有</span>非平凡拓扑特征的图(网络)ーー这些特征不会出<span style="color: black;">此刻</span>简单的网络中，如格或随机图，而是经常出<span style="color: black;">此刻</span><span style="color: black;">表率</span><span style="color: black;">实质</span>系统的网络中。<span style="color: black;">详细</span>参见集智百科：</span><span style="color: black;">https://wiki.swarma.org/index.php/%E5%A4%8D%E6%9D%82%E7%BD%91%E7%BB%9C</span><strong style="color: blue;"><span style="color: black;"><span style="color: black;"> • </span>图神经网络 (Graph Neural Network)</span></strong><span style="color: black;">图神经网络是一种基于图结构的深度学习模型，用于处理图数据的建模和分析。它<span style="color: black;">经过</span>节点和边的<span style="color: black;">暗示</span>学习，实现了对图中节点和边的特征提取和信息传递，从而实现对图数据的<span style="color: black;">归类</span>、预测和生成等任务。</span><span style="color: black;">图神经网络课程<span style="color: black;">举荐</span>：内容<span style="color: black;">触及</span>网络嵌入、图卷积、图<span style="color: black;">重视</span>力网络、变分自编码器、网络补全和图生成等<span style="color: black;">关联</span>内容，能够让<span style="color: black;">大众</span>对图神经网络技术有一个全局的认知。<span style="color: black;">详细</span>参见集智学园：</span><span style="color: black;">https://campus.swarma.org/course/5091/study</span><strong style="color: blue;"><span style="color: black;"><span style="color: black;"> • </span>强化学习 (Model-Based Reinforcement Learning)</span></strong><span style="color: black;">强化学习大致分为无模型(MFRL)强化学习和有模型(MBRL)强化学习，在无模型强化学习中，智能体<span style="color: black;">经过</span>和环境交互学习行动的最优策略<span style="color: black;">或</span>最优值函数。在有模型的强化学习中，智能体学习一个环境的世界模型，世界模型赋予了智能体想象的能力，智能体<span style="color: black;">经过</span>与世界</span><span style="color: black;">模型进行交互获取仿真数据。理想<span style="color: black;">状况</span>下，当模型足够准确时，<span style="color: black;">能够</span>从中学习出优秀的策略。相较于无模型强化学习<span style="color: black;">办法</span>，有模型强化学习让智能体能够更充分地利用模型学习产生的经验数据，<span style="color: black;">拥有</span>更高的样本利用率。<span style="color: black;">详细</span>参见集智百科：</span><span style="color: black;">https://wiki.swarma.org/index.php/%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0</span>
<h3 style="color: black; text-align: left; margin-bottom: 10px;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;"><strong style="color: blue;"><span style="color: black;">重点</span><span style="color: black;">触及</span>的参考文献</strong></strong></p>
</h3>
<h2 style="color: black; text-align: left; margin-bottom: 10px;"><span style="color: black;">1.Asikis T, Böttcher L, Antulov-Fantulin N. Neural ordinary differential equation control of dynamics on graphs. Physical Review Research, 2022, 4(1): 013221.</span></h2><span style="color: black;">这篇文献<span style="color: black;">重点</span>创新点是图神经网络与神经微分方程的有效结合,以及将其成功应用到图动力学的建模<span style="color: black;">掌控</span>上。为基于图结构的数据的动态建模和<span style="color: black;">掌控</span><span style="color: black;">供给</span>了新的思路和<span style="color: black;">办法</span>。</span><span style="color: black;">Github：https://github.com/asikist/nnc</span><span style="color: black;">2.Baggio G, Bassett D S, Pasqualetti F. Data-driven control of complex networks. Nature communications, 2021, 12(1): 1429.</span><span style="color: black;">这篇文献主要<span style="color: black;">科研</span>了在<span style="color: black;">繁杂</span>网络的精确动力学模型不可知的<span style="color: black;">状况</span>下,<span style="color: black;">怎样</span>利用数据驱动的<span style="color: black;">办法</span>来对<span style="color: black;">繁杂</span>网络进行<span style="color: black;">掌控</span>。</span><span style="color: black;">3.Wei H, Xu N, Zhang H, et al. Colight: Learning network-level cooperation for traffic signal control//Proceedings of the 28th ACM International Conference on Information and Knowledge Management. 2019: 1913-1922.</span><span style="color: black;">这篇文献基于强化学习与<span style="color: black;">重视</span>力机制的大规模交通信号协同<span style="color: black;">掌控</span>的<span style="color: black;">文案</span>,<span style="color: black;">得到</span>了理论与实验上的创新成果,为交通流优化<span style="color: black;">供给</span>了新思路。</span><span style="color: black;">Github：https://github.com/wingsweihua/colight</span><span style="color: black;">讲者在因果涌现读书会第二季分享了带隐状态的强化学习世界模型，感兴趣的<span style="color: black;">伴侣</span><span style="color: black;">能够</span>点击链接观看。</span><span style="color: black;">https://pattern.swarma.org/study_group_issue/361</span>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">集智学园最新AI课程，</strong></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">张江教授亲授：</strong></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">第三代人工智能技术<span style="color: black;">基本</span></strong></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">——从可微分编程到因果推理</strong></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">自1956年“人工智能”诞生于达特茅斯会议<span style="color: black;">败兴</span>，<span style="color: black;">已然</span>经历了从<span style="color: black;">初期</span>的以符号推理为主体的<span style="color: black;">第1</span>代人工智能，和以深度神经网络、<span style="color: black;">设备</span>学习为主体的第二代人工智能。ChatGPT的横空出世、生成式AI的普及、AI for Science等新<span style="color: black;">行业</span>的突破，标志着第三代人工智能的呼之欲出。可微分编程、神经微分方程、自监督学习、生成式模型、Transformer、基于图网络的学习与推理、因果表征与因果推断，基于世界模型的强化学习……，所有这些脱胎于前两代人工智能的技术要素<span style="color: black;">特别有</span>可能将<span style="color: black;">形成</span>第三代人工智能的理论与技术的<span style="color: black;">基本</span>。</span></p><span style="color: black;">本课程试图系统梳理从<span style="color: black;">设备</span>学习到大语言模型，从图神经网络到因果推理等一系列可能<span style="color: black;">作为</span>第三代人工智能<span style="color: black;">基本</span>的技术要素，为<span style="color: black;">科研</span>者或学生在生成式AI、大模型、AI for Science等<span style="color: black;">关联</span><span style="color: black;">行业</span>的学习和<span style="color: black;">科研</span>工作奠定<span style="color: black;">基本</span>。</span><img src="https://mmbiz.qpic.cn/mmbiz_png/wibWV1DB7tWJvk6oyKXRickuGhVbX8LzraLcjgmWHAO77v1tjhxJJrHeskXicKL7So2e7dZRLnciah7RJEvwOsnFqA/640?wx_fmt=png&wxfrom=5&wx_lazy=1&wx_co=1&tp=webp" style="width: 50%; margin-bottom: 20px;"><span style="color: black;">https://campus.swarma.org/course/5084?from=wechat</span>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">AI+Science 读书会</strong></p><span style="color: black;">AI+Science 是近年兴起的将人工智能和科学相结合的一种趋势。一方面是 AI for Science，<span style="color: black;">设备</span>学习和其他 AI 技术<span style="color: black;">能够</span>用来<span style="color: black;">处理</span>科学<span style="color: black;">科研</span>中的问题，从预测天气和蛋白质结构，到模拟星系碰撞、设计优化核聚变反应堆，<span style="color: black;">乃至</span>像<span style="color: black;">专家</span><span style="color: black;">同样</span>进行科学<span style="color: black;">发掘</span>，被<span style="color: black;">叫作</span>为科学<span style="color: black;">发掘</span>的“第五范式”。另一方面是 Science for AI，科学尤其是<span style="color: black;">理学</span>学中的规律和思想启发<span style="color: black;">设备</span>学习理论，为人工智能的发展<span style="color: black;">供给</span>全新的视角和<span style="color: black;">办法</span>。</span><span style="color: black;">集智俱乐部联合斯坦福大学计算机科学系博士后<span style="color: black;">科研</span>员吴泰霖（Jure Leskovec 教授<span style="color: black;">指点</span>）、哈佛量子计划<span style="color: black;">科研</span>员扈鸿业、麻省理工学院<span style="color: black;">理学</span>系博士生刘子鸣（Max Tegmark 教授<span style="color: black;">指点</span>），<span style="color: black;">一起</span>发起以<a style="color: black;">“AI+Science</a>”为主题的读书会，探讨该<span style="color: black;">行业</span>的重要问题，共学共研<span style="color: black;">关联</span>文献。读书会从2023年3月26日<span style="color: black;">起始</span>，每周日早上 9:00-11:00 线上举行，<span style="color: black;">连续</span>时间预计10周。欢迎对探索这个激动人心的前沿<span style="color: black;">行业</span>有兴趣的<span style="color: black;">伴侣</span>报名参与。</span><a style="color: black;"><span style="color: black;"><span style="color: black;"><img src="https://mmbiz.qpic.cn/mmbiz_png/wibWV1DB7tWJz971ibudxicmjcyGgrJucVfMnUZicV5jTdll0AuRox5TEsaCTPhk5oujicbkWxmibCx91vppMhy83Vxg/640?wx_fmt=png&wxfrom=5&wx_lazy=1&wx_co=1&tp=webp" style="width: 50%; margin-bottom: 20px;"></span></span></a><span style="color: black;">详情请见：</span><span style="color: black;"><a style="color: black;">人工智能和科学<span style="color: black;">发掘</span>相互赋能的新范式：AI+Science 读书会<span style="color: black;">起步</span></a></span>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">图神经网络与组合优化读书会<span style="color: black;">起步</span></strong></p><span style="color: black;">现实世界中<span style="color: black;">海量</span>问题的<span style="color: black;">处理</span>依赖于算法的设计与求解。传统算法由人类专家设计，而随着人工智能技术<span style="color: black;">持续</span>发展，算法自动学习算法的案例日益<span style="color: black;">增加</span>，如以神经网络为<span style="color: black;">表率</span>的的人工智能算法，这是算法神经化求解的缘由。在算法神经化求解方向上，图神经网络是一个强有力的工具，能够充分利用图结构的特性，实现对高<span style="color: black;">繁杂</span>度算法的<span style="color: black;">有效</span>近似求解。基于图神经网络的<span style="color: black;">繁杂</span>系统优化与<span style="color: black;">掌控</span>将会是大模型热潮之后新的<span style="color: black;">将来</span>方向。</span><span style="color: black;">为了探讨图神经网络在算法神经化求解的发展与现实应用，集智俱乐部联合国防科技大学系统工程学院副教授范长俊、中国人民大学高瓴人工智能学院助理教授黄文炳，<span style="color: black;">一起</span>发起「图神经网络与组合优化」读书会。读书会将聚焦于图神经网络与算法神经化求解的<span style="color: black;">关联</span><span style="color: black;">行业</span>，<span style="color: black;">包含</span>神经算法推理、组合优化问题求解、几何图神经网络，以及算法神经化求解在 AI for Science 中的应用等方面，<span style="color: black;">期盼</span>为参与者<span style="color: black;">供给</span>一个学术交流平台，激发参与者的学术兴趣，进一步推动<span style="color: black;">关联</span><span style="color: black;">行业</span>的<span style="color: black;">科研</span>和应用发展。读书会从2023年6月14日<span style="color: black;">起始</span>，每周三晚 19:00-21:00 举行，<span style="color: black;">连续</span>时间预计8周。欢迎感兴趣的<span style="color: black;">伴侣</span>报名参与！</span><a style="color: black;"><span style="color: black;"><img src="https://mmbiz.qpic.cn/mmbiz_png/wibWV1DB7tWLVic9dh9eo4DOCtbSkc7ibPbCtr4bU1cvLA2Vj4HY7HiajFO4PClRky9LS98U5Fnxqb2dwUQ0Iw47WA/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1" style="width: 50%; margin-bottom: 20px;"></span></a><span style="color: black;">详情请见：</span><span style="color: black;"><a style="color: black;">加速经典算法效率，突破现实技术瓶颈：图神经网络与组合优化读书会<span style="color: black;">起步</span></a></span><span style="color: black;">点击“阅读原文”，报名直播</span>
外链发布论坛学习网络优化SEO。 你的见解独到，让我受益匪浅，非常感谢。 哈哈、笑死我了、太搞笑了吧等。 你说得对，我们一起加油，未来可期。 我完全赞同你的观点，思考很有深度。 你的话语如春风拂面，让我感到无比温暖。 外链发布论坛学习网络优化SEO。 我们有着相似的经历，你的感受我深有体会。
页:
[1]