应用数学与交叉科学研究中心复杂网络团队于2024年4月15日进行每周小组组会，小组全体成员和各位导师共同参加。在这次组会上，由一名研一员工和一名研二员工汇报自己的研究进展，然后老师与同学们对汇报内容进行学术探讨，并对存在的问题给出相应的指导和建议。

黄文丽 ：本次汇报了《Discrete-Time Non-Markovian SEIS Model on Complex Networks》。在过去的二十年里，发生在复杂网络上的随机扩散过程引起了从事复杂系统研究的科学家们的极大兴趣。在流行病模型的发展和分析中，传统的观点认为，传播现象是马尔可夫过程，即从一种状态到另一种状态的转变，以恒定的、与时间无关的概率发生。直到最近几年，这种态度开始转变为在建模传播现象时采用非马尔可夫视角。即节点的状态取决于系统在前一刻之后的状态。本文我们研究了发生在复杂网络上的离散时间非马尔可夫SEIS模型。基于系统理论方法的理论分析得出了一个表达式，该表达式将所分析模型的流行阈值定义为DTPF、感染率和网络拓扑(网络邻接矩阵的最大特征值)之间的关键关系，其形式扩展了马尔可夫情况的结果。与经典形式相比，非马尔可夫模型具有更准确地描述传播过程的巨大潜力，强调了过程的某些方面。最后数值分析验证了所建模型的有效性和理论结果。

牛浩瀛 ：本次汇报了一篇文献《AvgNet: Adaptive Visibility Graph Neural Network and It's Application in Modulation Classification》,我们的数字世界充满了时间序列和图，这些数据捕捉了许多复杂系统的各个方面。传统上，有各自的方法来处理这两种不同类型的数据，比如循环神经网络（RNN）和图神经网络（GNN）。然而，近年来，可以利用诸如可见性图（VG）之类的技术将时间序列映射到图形中，这同时捕捉了局部和全局动态的相关方面，从而使研究人员能够使用图算法来挖掘时间序列中的知识并获得特殊的潜在图表示特征。这种映射方法建立了时间序列和图形之间的桥梁，具有极高的潜力来促进各种现实世界时间序列的分析。然而，VG方法及其变体仅基于固定规则，因此缺乏灵活性，大大限制了它们在现实中的应用。在本文中，我们提出了一种自适应可见性图（AVG）算法，可以根据需要自适应地将时间序列映射到图中。在此基础上，我们进一步建立了一个端到端分类框架AvgNet，利用GNN模型DiffPool作为分类器。然后，然后采用AvgNet进行无线电信号调制分类，这是无线通信领域的重要任务。模拟结果验证了AvgNet在这一任务中优于一系列先进的深度学习方法，实现了该任务的最先进性能。

----------员工汇报照片----------