張江

隨着人工智能技術的突飛猛進發展，人們已經在圖像識別、語音識別、自然語言處理、博弈等領域有了長足的進步，不過大多數深度學習、機器學習算法都是針對圖像、序列等規則數據，而更多的數據卻都是以關係和網絡的形式呈現的，例如社交網絡、引文關係網、蛋白質相互作用網絡等。我們如何將人工智能的最新技術應用到複雜網絡之上？最近幾年，一些可以應用到圖結構上的機器學習算法已經有了很大的突破，例如Deep Walk算法可以很好地將網絡進行向量表示；圖卷積網絡（Graph Convolutional Network）可以對網絡和圖結構進行卷積，從而高效地處理複雜網絡數據。

本研究組關注如下幾種複雜網絡上的機器學習問題：

· 各類複雜網絡（如投入產出網、注意力流網絡、國際貿易網等）的嵌入算法

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

· 網絡動力學與結構的重構：根據觀測到的網絡上節點的時間序列，自動學習得到網絡的動力學以及網絡的拓撲結構

· 基於圖優化問題的深度強化學習算法：將深度強化學習算法用於一系列圖優化問題，如頂點覆蓋問題、最優輸運問題等

· 圖分類問題：對整個網絡結構作分類，可以用於網絡在線社區的診斷、化學藥品的分類等

如果説複雜網絡是複雜系統的骨架，那麼系統之中的流動，包括能量流、物質流就構成了複雜系統的血液。我關注一類可以抽象成加權有向網的流動，研究它們的普適規律，特別是流動系統中的異速生長率。已開展的研究包括：

· 生態系統中的能量流、食物網

· 國際貿易中的商品流

· 互聯網上的點擊流

· 經濟系統中的投入產出網絡

· 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，例如系統的總能量流、熵產生，從而從優化的角度合理地解釋觀察到的流結構。

著名的Kleiber律指出生物體的體積和新陳代謝呈現指數為3/4的冪律關係。進一步的研究指出，包括城市、國家、互聯網等複雜系統之中都存在着這一普適的規律。這一規律是系統內部複雜網絡分形生長的具體體現。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

· 互聯網社區的異速生長

理論方面包括如何構建生長的複雜網絡模型解釋各類異速生長現象，已有的工作包括：

· 生長的隨機幾何圖

· 複雜網絡的異速生長

· 流網絡的異速生長

未來的研究希望在複雜網絡的重正化羣和標度對稱的角度解釋異速生長律的起源。 ^[1] 

集智俱樂部創始人、集智學園（北京）科技有限公司創始人 ^[1] 

主要講授本科生課程：

複雜性思維、Matlab基礎及其應用、計算機建模與模擬

研究生課程：

數據驅動的人工智能、人工智能、系統科學專題、系統理論進展 ^[1]