2022年5月15日上午，天地一体频谱认知实验室组办的认知决策机理与智能科学基础理论高端论坛，邀请了国防科技大学范长俊博士为我们做了第四场基础研究的学术报告。该报告主题为“基于深度强化学习的复杂网络关键节点发现”，主要围绕复杂网络中关键参与者的识别问题展开讨论。我校副校长、实验室主任吴启晖教授携周福辉教授、周博研究员、董培浩副教授以及相关课题组同学参与了交流。
在复杂网络中，如果节点数增加，寻找关键节点的时间会呈指数级增长，这在计算机科学中被称为NP-hard问题，是优化算法领域的终极挑战。复杂网络的关键节点定义为网络中的一组最优节点集合，它们的激活或移除可以最大程度的增强或削弱某种网络功能，发现复杂网络的关键节点在犯罪打击、舆论监管、流行病控制、电网优化、药物设计等领域有重要的应用。因此发现复杂网络中的关键参与者，对认识及优化网络整体效能至关重要。
针对此类问题，范博士提出了一种名为FINDER的算法框架，以应用深度强化学习方法更快更好地发现大规模复杂网络中的关键节点。在这种方法中，可以利用强化学习中的Q学习模型，根据网络结构，在有限的计算中，找出应该去掉哪些节点，并依次去掉这些节点。再按照定义的网络连通性评价方式，看网络连通性会有多大的改变。通过持续的反馈激励、调整策略，迭代提升智能体的决策能力。同时通过图嵌入，替代原图的数据，能保留原图中拓扑结构，节点之间的相互关系，以及关于图、子图的其他相关信息。通过图嵌入，能够在之后对图的分析任务中，获得更好的结果。
同时，FINDER算法能够在经典模型生成的小型合成网络中先行离线训练，而后根据特定问题场景奖励函数的指导，让算法基于训练中学到的复杂规则，针对特定场景，动态地制定解决方案。相比传统方法，相比传统方法，该方法能够提供更通用的求解框架和更良好的“速度-质量”均衡，同时对于更复杂的现实场景（比如同时考虑网络拓扑和网络属性），该方法更具竞争性。
报告结束后，在座的师生同范长俊博士就节点查找的局部最优，图神经网络的泛化性能等问题展开了热烈、深入的讨论，双方均获得了较大的收获。此次学术交流将促进双方今后的进一步合作，促进我室在认知决策、优化问题等方向上应用类脑机理的研究工作。
报告人简介：
范长俊，博士，现任国防科技大学系统工程学院讲师。2017年至2019年在美国加州大学洛杉矶分校计算机系进行博士联合培养，师从数据挖掘领域专家Yizhou Sun副教授。主要研究方向：图深度学习。先后获得过SIGIR Student Travel Grant, 国家公派留学CSC奖学金、中国航天CASC一等奖学金、国防科技大学优秀毕业生、优秀硕士论文、中国指挥与控制学会优秀博士论文等奖励。在图神经网络、复杂网络、组合优化等方面取得了系列研究成果，在Nature Machine Intelligence、ICLR、AAAI、EMNLP、CIKM等机器学习和数据挖掘知名期刊及会议上发表论文10余篇。担任Nature Machine Intelligence、ACM TKDD、Physics A和KDD、WWW、ICDE、ICDM等10余个学术期刊、会议审稿人，担任AAAI2021、AAAI2022的程序委员会委员。同时也是装备发展部武器装备人工智能专业组骨干成员、“指挥控制组织设计与优化”教育部科技创新团队骨干成员、中国指控学会智能指挥控制系统工程专委会成员。参与国家新一代人工智能战略国防应用部分的论证与规划工作，作为项目负责人或骨干成员参与国家自然科学基金、装备预研、科技委国防特区、军内科研等项目10余项。