基于激活力的复杂网络建模及其应用

Through analyzing the relations between the nodes in various complex networks, the applicant recently presented a new sort of statistics-activation forces, which can be widely applied to describe the relations between nodes, and a measure of affinity between nodes that tightly couples with the activation forces. This provides a new approach to modelling complex networks and has been successfully applied in the analyses of word networks and protein-protein interaction networks..Based on the above work, this project is going to study the fundamentals of complex netwrok modelling and the applications of image and voice modelling and cancer genome analysis. Major research targets include:.1) to create and perfect the basic theories of modelling complex netwroks based on the activation forces, providing an even more effective approach to analyzing various types of complex networks;.2) by using the created model of complex networks to represent images and voices, describing the structural relations between features in images and voices to provide better support to the applications of classification, clustering, labelling and retrieval;.3) by using the created model of complex networks to analyze cancer genome, in order to reveal the relations between gene mutations which cause cancers and to acqure more understanding to cancer forming mechanisms.

申请人通过对多类复杂网络节点关系的分析，新近提出了一种可普遍应用的表达网络节点关系的统计量-激活力和与其紧耦合的节点亲和度测度，获得了一种对复杂网络建模的新方法，并成功应用于词网和蛋白质相互作用网络的建模分析。本项目在上述工作的基础上研究复杂网络的基本建模方法及其在图像和语音建模以及癌症基因组分析等重要问题中的应用。主要创新点包括:1)创立和完善基于激活力对复杂网络进行建模的基础理论，为各类复杂网络的分析提供有效的新方法;2)用所创立的复杂网络模型对图像和语音进行建模，对图像和语音中特征的结构关系进行描述，为分类、聚类、标注、检索等应用提供更有效的支撑;3)用所创立的复杂网络模型对癌症基因组进行分析，以期揭示导致癌症的突变基因之间的相互诱导关系，获得对癌症形成机制更深的理解。

本项目在前期研究工作的基础上, 完善了基于激活力的复杂网络建模方法及其在文本、图像、语音建模和癌症基因组分析等重要问题中的应用研究。具体地, 本项目: .(1)完善了基于激活力的复杂网络建模方法，成功应用于文本中的实体关系抽取、词向量学习等问题。.(2)利用基于激活力的复杂网络模型对癌症基因组进行了分析，揭示了导致癌症的突变基因之间的相互诱导关系，获得了对癌症形成机制的更深入理解——该研究结果于2014年2月发表在PLoS ONE上。.(3)探索了基于激活力的复杂网络建模思想在图像和语音特征抽取方面的应用，提出了多种更有效的图像特征抽取和建模方法，被广泛应用于纹理、材料、植物、花卉、食物、场景、人脸、表情等图像分类和分析任务中，也尝试了基于激活力的复杂网络模型在语音识别中的语言模型和模型平滑问题上的应用问题。所取得的研究结果为图像分类、聚类、分割、标注、检索等应用问题提供了更有效的技术支撑。.(4)把基于激活力的复杂网络模型应用于大气污染源分析和大气污染扩散路径跟踪等环境监测问题中，较好地解决了数据时空分布不均衡情况下北京地区大气污染源头追溯问题。.此外，本项目还探索了非高斯数据建模和结构化稀疏建模等重要问题。在非高斯数据建模方面，提出了基于变分的参数学习和推理方法解决非高斯建模中的学习和推理问题，并且还提出了一种针对非高斯分布的中性矢量变量的最优去相关策略；这些研究结果被应用于DNA甲基化分析、脑电波信号分类和语音信号分析等重要问题，取得了良好的效果。在结构化稀疏建模方面，提出了几种联合求解稀疏表示、聚类和填充的结构化稀疏和结构化低秩的子空间分割模型，这些研究结果被应用于癌症基因表达数据聚类等问题上，取得了较好的效果——在验证了联合优化模型有效性的同时，也揭示出癌症基因表达数据中存在高度线性相关的子结构(即子空间)。.在项目执行期间，学术交流与合作方面富有成效，参与项目的青年教师、博士和硕士研究生均得到较好的培养。