سومین نشست از سلسله  نشست‌های جریان

در دنیای اطراف ما، سیستم‌های مالی، سایبر-فیزیکی، بیولوژیکی یا اجتماعی براساس ارتباطات بین عوامل مختلف در حال تغییر است. آشکار سازی روابط بین متغیرهای مختلف می‌تواند در علوم و صنایع مختلف مثل پیش بینی خرابی در شبکه‌های انرژی، طراحی دارو در درمان بیماری‌ها، طراحی الگوریتم های سرمایه گذاری در بورس یا بیشینه سازی تاثیر نمایش یک آگهی در شبکه اجتماعی به کار آید. بدین منظور، معمولاً برای مدل سازی روابط، متغیرها را با راس‌های یک گراف و ارتباط بین دو متغیر را با یک یال بین آن دو نمایش می‌دهند. برای آشکارسازی روابط و استنتاج روی گراف، در حوزه‌های کاربردی مختلف، الگوریتم‌های متعدد پیشنهاد شده‌اند که ترکیب الگوریتم‌های گرافی، یادگیری آماری و بهینه سازی هستند. در این ارایه، ابتدا روش های موجود برای بازیابی ساختارهای علّی با مشاهده داده های فعالیت متغیر ها بیان خواهد شد. نشان می دهیم که تمامی روابط علّی ممکن است قابل بازیابی از این داده ها نباشد. بنابراین اگر این امکان وجود داشته باشد که در سیستم بتوانیم مداخله انجام دهیم، آزمایش های طراحی خواهیم کرد که با فرض محدودیت روی تعداد مداخلات، میزان یادگیری از بخش های ابهام دار ساختار علّی بیشینه گردد. در ادامه، با فرض داشتن گراف روابط، روی الگوریتم های استنتاج در دو مساله تطابق گراف ها و بیشینه سازی تاثیر در شبکه های اجتماعی تمرکز خواهیم کرد. در مساله اول، دو یا چند گراف با شباهت های ساختاری به ما داده شده است اما برچسب راس ها حذف شده اند. هدف اصلی در این مساله پیدا کردن تناظر یک به یک بین راس های دو یا چند گراف بر اساس شباهت های ساختاری است. در مساله دوم، گراف روابط در یک شبکه اجتماعی به ما داده شده است و قرار است به تعداد محدودی از کاربران یک تبلیغ نشان داده شود. همچنین بر اساس یک مکانیزم پخش، این تبلیغ با استفاده از این کاربران در بین مابقی اعضا پخش خواهد شد. هدف ما در این مساله مشخص کردن کاربرانی است که با نشان دادن تبلیغ به آنها، میزان پخش شدگی تبلیغ در شبکه بیشینه گردد.