Network Reconstruction: the Contribution of Challenges in Machine Learning
Isabelle Guyon (Laboratoire de Recherche en Informatique, Université Paris-Sud)
Networks of influence are found at all levels of physical, biological, and societal systems: climate networks, gene networks, neural networks, and social networks are a few examples. These networks are not just descriptive of the “State of Nature”, they allow us to make predictions such as forecasting disruptive weather patterns, evaluating the possible effect of a drug, locating the focus of a neural seizure, and predicting the propagation of epidemics. This, in turns, allows us to device adequate interventions or change in policies to obtain desired outcomes: evacuate people before a region is hit by a hurricane, administer treatment, vaccinate, etc. But knowing the network structure is a prerequisite, and this structure may be very hard and costly to obtain with traditional means. For example, the medical community relies on clinical trials, which cost millions of dollars; the neuroscience community engages in connection tracing with election microscopy, which take years before establishing the connectivity of 100 neurons (the brain contains billions).
This presentation will review recent progresses that have been made in network reconstruction methods based solely on observational data. Great advances have been recently made using machine learning. We will analyze the results of several challenges we organized, which point us to new simple and practical methodologies.
La reconstruction du réseau: la contribution des défis en Machine Learning : Les réseaux d’influence se retrouvent à tous les niveaux des systèmes physiques, biologiques et sociaux: réseaux climatiques, réseaux de gènes, réseaux de neurones, et réseaux sociaux en sont quelques exemples. Ces réseaux ne sont pas seulement descriptif d’un «état de la nature», ils nous permettent de faire des prédictions telles que la prévision des conditions météorologiques, l’évaluation de l’effet possible d’un médicament, la localisation d’un foyer épileptique, et la prévision de la propagation des épidémies. Ceci nous permet alors d’intervenir pour obtenir les résultats souhaités: évacuer les populations d’une région avant qu’elle soit frappée par un ouragan, administrer un traitement, vacciner, etc. Mais la connaissance de la structure du réseau est une condition préalable à l’application de ces méthodes, et cette structure peut être très difficile et coûteuse à obtenir avec des moyens traditionnels. Par exemple, la communauté médicale s’appuie sur les essais cliniques, qui coûtent des millions de dollars; la communauté des neurosciences analyse des images de microscopie électorale, ce qui prendra des années avant d’établir la connectivité de 100 neurones (alors que le cerveau en contient des milliards).
Cette présentation examinera les récents progrès qui ont été faits dans les méthodes de reconstruction de réseaux fondées uniquement sur des données d’observation. De grands progrès ont été récemment réalisés grâce à l’apprentissage des machines (machine learning). Nous allons analyser les résultats de plusieurs défis que nous avons organisées, qui nous pointent vers de nouvelles méthodes simples et pratiques.