應用數學與交叉科學研究中心複雜網絡團隊于2024年4月15日進行每周小組組會，小組全體成員和各位導師共同參加。在這次組會上，由一名研一學生和一名研二學生彙報自己的研究進展，然後老師與同學們對彙報内容進行學術探讨，并對存在的問題給出相應的指導和建議。

黃文麗 ：本次彙報了《Discrete-Time Non-Markovian SEIS Model on Complex Networks》。在過去的二十年裡，發生在複雜網絡上的随機擴散過程引起了從事複雜系統研究的科學家們的極大興趣。在流行病模型的發展和分析中，傳統的觀點認為，傳播現象是馬爾可夫過程，即從一種狀态到另一種狀态的轉變，以恒定的、與時間無關的概率發生。直到最近幾年，這種态度開始轉變為在建模傳播現象時采用非馬爾可夫視角。即節點的狀态取決于系統在前一刻之後的狀态。本文我們研究了發生在複雜網絡上的離散時間非馬爾可夫SEIS模型。基于系統理論方法的理論分析得出了一個表達式，該表達式将所分析模型的流行阈值定義為DTPF、感染率和網絡拓撲(網絡鄰接矩陣的最大特征值)之間的關鍵關系，其形式擴展了馬爾可夫情況的結果。與經典形式相比，非馬爾可夫模型具有更準确地描述傳播過程的巨大潛力，強調了過程的某些方面。最後數值分析驗證了所建模型的有效性和理論結果。

牛浩瀛 ：本次彙報了一篇文獻《AvgNet: Adaptive Visibility Graph Neural Network and It's Application in Modulation Classification》,我們的數字世界充滿了時間序列和圖，這些數據捕捉了許多複雜系統的各個方面。傳統上，有各自的方法來處理這兩種不同類型的數據，比如循環神經網絡（RNN）和圖神經網絡（GNN）。然而，近年來，可以利用諸如可見性圖（VG）之類的技術将時間序列映射到圖形中，這同時捕捉了局部和全局動态的相關方面，從而使研究人員能夠使用圖算法來挖掘時間序列中的知識并獲得特殊的潛在圖表示特征。這種映射方法建立了時間序列和圖形之間的橋梁，具有極高的潛力來促進各種現實世界時間序列的分析。然而，VG方法及其變體僅基于固定規則，因此缺乏靈活性，大大限制了它們在現實中的應用。在本文中，我們提出了一種自适應可見性圖（AVG）算法，可以根據需要自适應地将時間序列映射到圖中。在此基礎上，我們進一步建立了一個端到端分類框架AvgNet，利用GNN模型DiffPool作為分類器。然後，然後采用AvgNet進行無線電信号調制分類，這是無線通信領域的重要任務。模拟結果驗證了AvgNet在這一任務中優于一系列先進的深度學習方法，實現了該任務的最先進性能。

----------學生彙報照片----------