A dynamic network is a system whose components are interrelated in time and space. Dynamic networks play is an important tool for modeling various man-made and natural systems. However, modeling and decision-making of dynamic networks via analytic methods are demanding tasks due to their inherent complexity. Recent advances in hardware and theoretical advances in deep learning techniques have enabled the modeling and decision-making of complex systems using data-driven techniques instead of using analytical techniques. This dissertation studies the applications of graph representation learning to model, plan/control, design, and meta-learn (dynamic) networks. The first case introduces a graph representation learning method that models networks with fixed points, the second case deals with sequential decision-making (planning) on dynamic networks to solve combinatorial optimization problems, the third case models wind farm networks and utilizes the model to solve network design problems and the fourth case studies an efficient mete-learning method and applies it to the non-stationary networks. Through the four cases, we experimentally confirmed that the graph expression learning method is more effective than the conventional analytical method and other deep learning methods on various dynamic networks.
동적 네트워크는 그 구성 요소가 시간 및 공간적으로 상호관계를 가지는 시스템이다. 동적 네트워크는 다양한 인공, 자연적인 시스템을 모델링하기 위한 도구로서 중요한 역할을 수행한다. 동적 네트워크의 중요성과는 다르게, 그의 내재적 복잡도로 인해, 분석적인 기법을 활용한 그것의 모델링, 더 나아가 그것의 상호관계를 고려하는 의사 결정은 매우 어려운 일이다. 근래의 하드웨어의 발전과 딥러닝 기법의 이론적 발전은, 분석적 기법을 활용하는 대신, 데이터 기반 모델링 기법을 활용해 복잡한 시스템의 모델링 및 의사결정을 가능하게 하였다. 본 학위 논문에서는 딥러닝의 한 분야인 그래프 표현학습 기법을 활용한 동적 네트워크 모델링, 의사 결정, 디자인, 그리고 메타학습에 대한 사례들을 다루고 있다. 첫 번째 사례는 고정점을 가지는 네트워크를 모델링하는 기법에 대해 디루며, 두 번째 사례는 조합 최적화 문제를 풀기위한 동적 네트워크 상에서의 순차 적 의사결정을 다루며, 세 번째 사례는 풍력 발전 단지 네트워크를 모델링하여 이를 활용한 네트워크의 최적 디자인을 도출하는 방법을 다룬다. 네 번째 사례는 비정상성을 보이는 네트워크를 모델링 하기위한 메타학습 기법을 다룬다. 설명한 네 가지 사례들을 통해, 다양한 동적 네트워크 상에서 그래프 표현형 학습기법이 재래적 분석적인 방법에 및 다른 딥러닝 기법에 비해 효과적임을 실험적으로 확인하였다.
