科研动态 | Efficient NARD：通用大规模网络图谱构建及其应用

随着大数据时代的到来，各领域数据量急剧增长，传统统计概率模型在处理大规模数据时往往因计算效率不足而显得力不从心，尤其是在生命科学、环境健康和金融风险控制等数据密集型领域。而另一方面，研究者日益依赖于从海量的高维、多模态数据中构建变量间网络结构，以揭示系统内部的关联机制，从而发现新的科学规律。现有建模工具在处理如表型组等高通量数据时，普遍受限于高计算复杂度，难以高效支持大规模、跨尺度的网络构建。

为应对这一挑战，复旦大学人工智能创新与产业研究院与上海科学智能研究院联合研究团队开发了Network Automatic Relevance Determination（NARD），一种针对多输出回归问题的稀疏网络建模方法。NARD能够在高维输入空间中自动识别最具相关性的特征变量，并同时估计输出变量之间的结构化关系，从而实现对系统内部相互作用的精准建模。该方法通过统一的贝叶斯框架，为复杂数据环境下的变量选择和网络推理提供了兼具模型解释性和结构发现能力的解决方案。

这篇题为Efficient Network Automatic Relevance Determination的工作已被国际机器学习顶级会议ICML 2025接收，并成功应用于国际人类表型组计划的人类表型网络构建中，复旦大学人工智能创新与产业研究院博士生张宏伟为第一作者，漆远教授、胡子欣副研究员为通讯作者。

表型关联网络建模是解析生物复杂系统的关键环节，其核心科学意义在于揭示微观分子特征与宏观表型之间的跨尺度调控机制。NARD 已被作为当前“国际人类表型组计划”中，全表型组学数据系统生物学分析所采用的核心建模框架。

该模型目前正被应用于多个前沿研究方向，包括衰老过程建模、运动对系统状态的影响机制、睡眠与多系统交互的网络建构等复杂生物学场景中。其高效性与可解释性不仅为海量表型数据的结构化理解提供了支撑，也为生命科学研究带来了全新的系统建模视角。

论文链接：https://openreview.net/pdf?id=RfQNtVTY7Q

本文稿来源于上海科学智能研究院，作者女娲大模型团队