本期內容概覽：
論文解讀：非馬爾科夫恢復機制提升複雜網絡的彈性能力點擊文字了解更多課程相關信息
課程概覽本次分享將介紹2011年以來，在複雜網絡控制研究方面的基本概念、問題和結果。具體來說，針對複雜網絡上的線性時不變系統，會介紹網絡的可控性理論，網絡的目標控制和最小能量控制。最後，會介紹若干篇基於數據的複雜網絡控制的最新成果。
學習地址：
https://campus.swarma.org/course/2203
點擊文字了解更多課程相關信息
課程概覽在本課程中，用線蟲的鈣離子成像數據，利用圖神經網絡進行建模，重構出神經元之間的結構，並且在行為狀態分類和神經元級別的軌跡預測兩個任務上取得了很好的結果，證明了該模型具有一定的泛化能力。
學習地址：
https://campus.swarma.org/course/2212
點擊文字了解更多課程相關信息
課程概覽2018年的一篇Neural ODE 將神經網絡與常微分方程建立起了聯繫，Neural ODE 在建模動力系統中的表現優異，本文的作者在序列動力系統建模問題的基礎上加大了問題難度，作者討論的問題從三個方面加大了問題的難度，1是Dynamical Systems更加複雜。2 是 Dynamical Systems的 監督信息有缺失 3是Dynamical Systems 中最重要的系統的初始狀態未知。作者使用NeuralODE 與UNet 神經網絡解決了以上三個問題。
學習地址：
https://campus.swarma.org/course/2213
點擊文字了解更多課程相關信息
課程概覽
理解細胞差異、為細胞分類，對生命科學具有重要意義，一系列基於基因轉錄數據和深度學習的分類方法正在興起，但方法可解釋性往往不足。近日由北京師範大學張江組、中科研基因所蔡軍組合作發表的論文中，利用改進後的膠囊網絡深度架構，應用於轉錄組分析和細胞分類，取得良好效果並具有較強的可解釋性。
本期為論文第一作者王力飛博士，親自解讀這項研究。
學習地址：
https://campus.swarma.org/course/2217
論文解讀：
非馬爾科夫恢復機制提升複雜網絡的彈性能力
點擊文字了解更多課程相關信息
課程概覽
該論文研究了存在級聯故障現象的許多實際網絡中的一個重要問題，即非馬爾科夫自發恢復對級聯故障系統動力學的影響。以往研究自發恢復過程主要有兩種類型:具有瞬時恢復的馬爾科夫類型（即無記憶）和恢復具有延遲的非馬爾科夫類型（即有記憶），其中前者往往是理想化的，而後者在現實中則無處不在。那麼具有非馬爾科夫特性的恢復過程對故障傳播又會有怎樣的影響呢？
本文研究了包含兩種故障機制的兩種模型，發展了一套平均場理論和點對近似理論並進行了預測，同時較為系統的對比了非馬爾科夫恢復和馬爾科夫恢復對系統故障傳播的影響。在研究中，我們發現了驚人的現象——節點恢復中的記憶性違反直覺的竟然可以使網絡的彈性能力（resilience）更高，從而更好地幫助系統抵抗大規模故障。隨後我們對該現象進行了分析。該工作具有兩點實際意義：首先在自然系統中，節點恢復中內在的非馬爾科夫特性可能是使這些網絡具有彈性的原因之一。再者，在工程設計中，將某些非馬爾科夫特徵加入網絡中可能有利於為其提供強大的彈性能力來抵抗大規模故障。
學習地址：
https://campus.swarma.org/course/2218
點擊文字了解更多課程相關信息
課程概覽
有些流行病如結核病、淋病、病毒等傳染病服從SIS模型，但是一旦被感染者恢復為易感者後往往會重構自己的網絡，也即不會再和感染者建立連接，這樣的網絡我們成為自適應網絡（Adaptive Network），在自適應網絡中我們考慮一個用戶從感染者到易感者的重連概率，從而考慮自適應網絡新的傳播閾值。本文通過構建新的最優傳染概率來解決自適應網絡中SIS模型的最優閾值、易感者和感染者的分布及相關性等問題。
學習地址：
https://campus.swarma.org/course/2219
如果你是長期關注集智的老朋友，還有另一個好消息告訴你：我們首次對外公開了VIP申請通道。
成為集智VIP，你就是集智自己人了。話不多說，上圖：