边重连的神经网络化：在缺乏丰富特征下提升网络韧性
机器学习
2022-05-24 v3 人工智能
社会与信息网络
摘要
提升网络韧性是网络科学中的一个基本问题，它可以保护底层系统免受自然灾害和恶意攻击。传统上，这是通过连续的保度边重连操作来实现的，其主要局限在于直推式。在具有丰富图特征的场景下，采用图神经网络（GNN）结合强化学习可以归纳式地通过序列动作解决图相关任务。然而，这种框架不能直接应用于仅有纯拓扑结构可用的韧性任务。在这种情况下，GNN 几乎无法学习到有用的信息，导致在强化学习环境下连续重连边时面临极大的困难。在本文中，我们深入研究了典型 GNN 导致这种失败的原因。基于此研究，我们提出了 ResiNet，这是第一个端到端可训练的归纳式框架，用于在平衡网络效用的同时发现具有韧性的网络拓扑。为此，我们将韧性优化重新表述为一个配备了边重连动作空间的 MDP，并提出了一种纯拓扑导向的 GNN 变体，称为过滤增强图神经网络（FireGNN），它能够从缺乏丰富特征的图中学习。大量实验表明，ResiNet 在各种图上实现了接近最优的韧性增益，同时平衡了效用，并且大幅优于现有方法。
引用
@article{arxiv.2110.09035,
title = {Edge Rewiring Goes Neural: Boosting Network Resilience without Rich Features},
author = {Shanchao Yang and Kaili Ma and Baoxiang Wang and Tianshu Yu and Hongyuan Zha},
journal= {arXiv preprint arXiv:2110.09035},
year = {2022}
}
备注
Code: https://github.com/yangysc/ResiNet