基於演化博弈資料利用壓縮感知方法進行網路重構
在工程和科學的許多領域,我們經常會遇到的問題是,目標網路是由聯網的元素(節點)組成的,但是節點之間的相互作用或者說網路的拓撲結構是完全未知的。在這種情況下,我們利用基於時間序列從實驗和觀測中得到的資料中來重構網路的拓撲就是有價值和經濟利益的。這就需要我們瞭解未知網路的動態演化過程或者需要大量連續時間上的振盪訊號。但是對於社會,經濟和生物科學網路來說,他們的節點之間的相互作用是基於演化博弈的。除了資料的離散性,可用的資料往往是稀疏的,並且可用的資料量是少的。
壓縮感知是針對稀疏訊號重構的而提出的一種應用十分廣泛的正規化。利用壓縮感知重構網路的兩大優點:
(1). 小資料量要求。
(2). 可以基於連續或者是離散的訊號重構網路。
簡單的說,在博弈中參與者使用兩種不同的策略是自己獲得最大的收益。本文將證明即使有關參與者策略和收益的資訊是有限的,我們使用基於壓縮感知的方法仍然可以高效的得到網路的拓撲結構。
2. 演化博弈
2.1
在傳統博弈理論中,常常假定參與人是完全理性的,且參與人在完全資訊條件下進行的,但對現實的經濟生活中的參與人來講,參與人的完全理性與完全資訊的條件是很難實現的。與傳統博弈理論不同,演化博弈理論並不要求參與人是完全理性的,也不要求完全資訊的條件。
2.2(1).在演化博弈的任一時刻,一個參與者可以選擇兩種策略(S)之一:合作(C)或者背叛(D)。
(2).參與者的收益取決於彼此選擇的策略和特定的遊戲收益矩陣。
上圖表明的是小黃人的受益,即如果小黃人的策略是D(背板)小紅人的策略是C(合作),那麼小黃人的受益是T;如果小黃人的策略是D(背板)小紅人的策略是D,那麼小黃人的受益是P。
note:每種博弈的收益矩陣是不同的。
那麼參與者i和j的受益的計算方法如下:
(4).在每一個時間步,參與者與他們的所有鄰居進行一輪博弈並且獲得收益,參與者 i 的收益為:
(5).為了最大化在下一輪中的收益,參與者會通過比較與鄰居參與者的收益來升級自己的策略。
這裡使用費米方程來模擬參與者的有限理性。w(Si<--Sj )表示參與者 i 隨機的選擇一個鄰居 j 之後,以概率w採取 j 的策略。費米方程如下:
其中,
k=0時表示參與者是絕對理性的。這個時候當鄰居 j 的受益大於自己的受益的時,參與者 i 以 1 的概率採取參與者 j 的策略作為自己下一輪的策略。當鄰居 j 的受益小於自己的受益的時,參與者 i 以 0 的概率採取參與者 j 的策略作為自己下一輪的策略,也就是說仍然保持自己當前的策略作為下一輪博弈的策略。
k->∞時表示參與者在更新策略時是完全隨機的。
3. 壓縮感應
(1). 壓縮感知的目標是通過以下的等式,根據對X的線性測量Y來重構向量X∈RM
Note:Φ 是M*N的矩陣,壓縮感知顯著的特點的是測量資料的個數遠小於未知向量的維數
(2). 通過解決以下的凸優化問題可以準確的恢復向量 X
本文將要展示的是: 壓縮感知為我們提供了基於少量的來自演化博弈資料的網路重構方法。
4.基於演化博弈資料利用壓縮感知方法進行網路重構
整個框架的流程如下
5. 實驗結果
三種網路模型(隨機網路模型,小世界網路模型,無標度網路模型)上囚徒困境博弈和雪堆博弈的成功比
以上分別為囚徒困境博弈和雪堆博弈資料上的重構結果.
SREL:存在邊預測成功比,(預測的存在的邊數/實際存在的邊數)
SRNL:不存在邊預測成功比,(預測的不存在的邊數/實際的不存在的邊數)
Data:使用的測量資料的個數與參與者個數的比值
網路的大小為N = 100
每一個資料點通過平均10次實現中隨機選取的資料得到。
6. 復現結果
7. 結尾
本文簡單的介紹了一下《Network Reconstruction Based on Evolutionary-Game Data via Compression Sensing》這篇論文的思想,對壓縮感知有了一點感性的認識。如果想要深入學習,建議還是要下載王文旭教授的文章,認真研讀。
相關文章
- 利用 canvas 實現資料壓縮Canvas
- FSNet:利用卷積核概要進行深度卷積神經網路的壓縮卷積神經網路
- 如何基於容器網路流量指標進行彈性伸縮指標
- Nginx網路壓縮 CSS壓縮 圖片壓縮 JSON壓縮NginxCSSJSON
- 使用Java API進行tar.gz檔案及資料夾壓縮解壓縮JavaAPI
- Android利用Fiddler進行網路資料抓包Android
- JAVA基礎:利用Java實現zip壓縮解壓縮(轉)Java
- 使用java API進行zip遞迴壓縮資料夾以及解壓JavaAPI遞迴
- C#實現通過Gzip來對資料進行壓縮和解壓C#
- 利用ADO壓縮Access資料庫程式碼資料庫
- 模型壓縮:識別感知的深度神經網路通道裁剪 | 論文分享模型神經網路
- 分析核心對gzip壓縮檔案進行解壓的方法(轉)
- 基於Linux指令碼,對日誌進行定時壓縮備份Linux指令碼
- Linux上進行並行壓縮Linux並行
- 常用的壓縮解壓縮以及網路通訊命令
- Redis底層資料結構——壓縮列表Redis資料結構
- Redis資料結構三之壓縮列表Redis資料結構
- 利用Java實現zip壓縮/解壓縮 (轉)Java
- Oracle資料壓縮Oracle
- JS壓縮方法及批量壓縮JS
- 如何在HDFS中進行資料壓縮以實現高效儲存?
- 利用WebClient進行資料抓取Webclient
- 關於資料庫壓縮技術的Survey資料庫
- 利用IP代理進行網路抓取可以幫助企業收集哪些資料?
- 如何利用網際網路進行民族誌研究
- Oracle壓縮黑科技(二)—壓縮資料的修改Oracle
- Teradata資料壓縮
- 利用進化方法自動生成神經網路:深度進化網路DENSER神經網路
- 網路重構的進展與挑戰
- 圖解Redis之資料結構篇——壓縮列表圖解Redis資料結構
- Redis資料結構—整數集合與壓縮列表Redis資料結構
- 用迴圈神經網路進行檔案無失真壓縮:史丹佛大學提出DeepZip神經網路
- 利用Kettle進行資料同步(下)
- 利用PCA進行資料降維PCA
- 利用Kettle進行資料同步(上)
- [20181023]12c網路資料壓縮.txt
- 如何在MySQL資料庫中進行網際網路常用架構的搭建?MySql資料庫架構
- Redis 的基礎資料結構(二) 整數集合、跳躍表、壓縮列表Redis資料結構