汪小帆-第十届网络科学论坛3.PPT

B. Barzel, A.-L. Barabási, Nature Biotechnology 31(8): 1-8, Aug. 2013. Network link prediction by global silencing of indirect correlations The network nonsense of Barabasi The network nonsense of Manolis Why I read the network nonsense papers “The entire exercise would be suitable for an undergraduate linear algebra homework problem” 薛宇：愤怒的莱尔·帕切特：裸奔的网络皇帝 烟缸：请穿上裤子再嘲笑别人裸奔 UC Berkeley Lior Pachter “相当于抨击一个英语牛X的人厨艺不好（虽然都学自新东方）” 社会网络 交通与物流网络 互联网与通信网络 能源与电力网络 环境与生态网络 生物与医学网络 基因调控网络 指挥与控制网络 经济与金融网络 物联网 图论 统计力学 拓扑性质 节点重要性 链路预测 社团结构 传播与博弈 同步与控制 人类动力学 政府的边界在哪里？ 个人与社会连接 企业的边界在哪里？ 个人与社会连接 你拥有关于你的数据的所有权 你拥有使用你的数据的控制权 你拥有关于你的数据的处置权 个人数据商店PDS 社会物理学—数据时代的新科学 汪小帆 汪容译，湛庐文化出品，2014 Complex Networks Control Lab, SJTU * * 现在DL为什么这么火呢？06年Hinton的文章通过pre-training较好地解决了多层网络难以训练的问题，重新唤起了人们对于neural network的兴趣。但更重要的是在随后的几年里，人们利用DL模型在语音识别和图像分类上获得了突破性的进展。之所以说是突破性的，是因为其性能提升之大是以往小修小补远不能及的。尤其是在图像领域，DL算法甚至不需要human engineered feature，直接以原始像素作为输入就行。这改变了以往人们对于特征提取的认识。套用邓侃的一句话就是：这个领域离钱太近了。（这里还讲了一个小八卦：最早用DL在语音上取得学术成果的是微软，但最先将其产品化的却是谷歌，随后是百度。）从生物学的角度分析，高等动物相比低等动物，在神经元连接稠密程度上增长不大，但神经元数量要多得多。因此DL下一步的发展方向也许还是更大规模的网络。 The image below shows a simplified illustration of this where a stack of neural networks are used to classify images. While the data presented to the network would be raw pixel values, internally the network would generate much higher level features. For example, there might be a node in the network that responds to the presence of diagonal lines in an image or, at an even higher level, to the presence of faces (this is reigniting very interesting old discussions about the idea of the grandmother cell!). * 。无论是谁收集的数据，这些数据属于你。数据收集者类似于银行：替客户管理数据。 * SJTU 新浪微博：汪小帆老师 连接：我的网络漫步 It is all about connection-- My random walk on complex networks 汪小帆 （上海交通大学） xfwang@ “ 2004-2014 Neural Network Control Chaos Synchronization Chaos Control Chaos Anti-Control Network Pinning Control Network Synchronization Flocking Control Social Learning Internet Congestion Control Spreading Game Social Network 1993 19