Core Concepts
複雑なネットワークシステムの進化過程を再構築し、機械学習アルゴリズムを適用して、タンパク質相互作用、生態系、社会ネットワークシステムなどの歴史的形成プロセスを抽出することが可能である。
Abstract
複雑なシステムの進化プロセスは重要であり、本研究ではグラフニューラルネットワーク技術を使用して高い精度で解決される。
プロセスは2つの段階で行われ、部分的な進化履歴がある場合は教師付き機械学習モデルを使用し、最終構造のみ利用可能な場合は転移学習アプローチを採用する。
結果は実世界の17のネットワークに適用され、提案手法が成功裏に復元されたエッジ生成順序に基づいてリンク予測性能を大幅に向上させることが示されている。
Stats
大規模なネットワークでは、ランダムな推測よりも機械学習モデルの性能がわずかに優れていれば全体的なネットワーク形成プロセスを信頼性高く復元できる。
Quotes
"The evolution processes of complex systems carry key information in the systems’ functional properties."
"Our work provides biologists with a novel way to explore more principles underlying the evolution of complex life."