Network Reconstruction From Data

Abstract

Güç şebekeleri, ekosistem, iklim, nöron ağları ve bir hastalığın küresel ölçekte yayılması gibi hayatımızın temel bileşenlerinin bir ortak noktası vardır: karmaşık ağlar üzerinde etkileşen dinamik birimler olarak modellenebilmeleri. Pek çok örnekte, karmaşık sistemlerden elde edilen veriler doğal bir ağ yapısını temsil eder veya sistem özünde ağ yapısında olmasa bile bir ağ gibi modellenebilir. Ağ dinamiğini bilmek, bu karmaşık sistemlerden istenen işlevselliği elde etmek, dolayısıyla gelecekteki durumunu tahmin etmek ve kontrol etmek için çok önemlidir. Örneğin beynimizdeki nöron ağlarının etkileşimindeki normal olmayan değişiklikler patolojik durumlara yol açabileceğinden, bu ağlar insan sağlığı için önemli bir dinamik ağ sınıfını oluştururlar. Epilepsi krizleri nöron ağlarının etkileşimlerinin değişmesi ile beliren ağ senkronizasyonu ile ilişkilidir. Bu tip istenmeyen nöronal senkronizasyona kritik geçişleri önceden tahmin etmek ve erken uyarı sinyallerini tespit edecek teknolojileri icat etmek hayati önem taşır. Nöronların iç dinamikleri ve aralarındaki bağlantı şemasından oluşan nöron ağlarında, senkronizasyona kritik geçiş doğrudan belirlenemez. Bu nedenle amaç, parametre değişikliklerinden kaynaklanan kritik geçişleri tahmin etmek için ağ dinamiğinin denklemini her bir düğümden elde edilen ölçüm verisinden öğrenmektir. Bu doktora çalışması, dinamik sistemler teorisinden ortalama alan yaklaşımlarını istatistiksel öğrenme araçlarıyla birleştirerek zaman serisi gözlemlerinden dinamik bir ağı yeniden yapılandırma yaklaşımı sunar. Önerilen veri güdümlü yeniden yapılandırma yaklaşımı iki temel varsayımda bulunur: sinirbilimsel bir model ve tüm düğümlerin verisine tam erişim. Buna karşılık, düğümlerin iç dinamikleri, aralarındaki bağlantı yapısı ve etkileşim şekli bilinmez. Sinirbilimsel koşullar, nöronların iç dinamiğinin kaotik davranış göstermesi, zayıf bir etkileşimde olmaları ve ölçekten bağımsız bir ağ ile temsil edilmeleri olarak sıralanır. Metodolojimiz tüm bilinmeyenleri nispeten kısa zaman serileri kullanarak doğru bir şekilde öğrenir ve ağ boyutundan bağımsızdır. Kısa süreli ölçüm ve büyük ağlarda başarı gerçek dünya örneklerine yaklaşabilmemiz için önemli iki kısıt olarak ele alınmıştır. Sonuç olarak, veriden öğrenilmiş ağ modeli tüm parametreleri kontrol edebilmemize ve karmaşık ağın kolektif davranışını tahmin edebilmemize izin verir.

Dynamical networks, including power grids, food webs, climate networks, and neuron networks, described by dynamical units oscillating on complex networks, are fundamental components of our everyday lives. The ability to regulate network dynamics is crucial for predicting, thus, controlling these systems' behavior to acquire the desired functionality. Neuron networks are an important class of dynamical networks for human wellness since the changes in the interaction can lead to undesired pathological situations. For instance, epileptic seizures are associated with emergent neural network synchronization when dynamic network parameters change. Consequently, it is vital to anticipate critical transitions to neuronal synchronization and invent predictive technologies to detect early warning signals to prevent potential tragedies. In the case of neuron network dynamics, consisting of intrinsic neuron function and the coupling scheme between neurons, the critical transitions to synchronization are not directly determinable. Therefore, the governing equation must be recovered from the observations of the nodes for forecasting the critical transitions due to parameter changes. Therefore, the governing equation must be recovered from the observations of the nodes for forecasting the critical transitions due to parameter changes. This PhD thesis develops a dynamical network reconstruction approach from time series observations by integrating mean-field approaches from dynamical systems theory with statistical learning tools. The proposed reconstruction approach assumes a neuroscientific setting and accessibility to all nodes' data while the local dynamics of the nodes, the coupling function between them and the interaction structure are unknown. Our methodology accurately identifies them using relatively short time series and is independent of the network size, which is vital since it is generally impossible to have long real-world observations, and real networks are large. Finally, the reconstructed model allows us to predict the emergent collective behavior of dynamical networks considering parameter change, which is crucial to avoid undesired behaviors for real-world applications such as epilepsy seizures.