多智能体系统中网络拓扑的图注意力推断

准确识别多智能体系统的底层图结构仍然是一个难题。我们的工作引入了一种新颖的基于机器学习的解决方案，该方案利用注意力机制通过学习节点表示来预测多智能体系统的未来状态。然后根据注意力值的强度推断图结构。该方法应用于线性共识动力学和Kuramoto振子的非线性动力学，通过学习良好的智能体表示来隐式学习图。我们的结果表明，所提出的数据驱动的图注意力机器学习模型能够识别多智能体系统中的网络拓扑，即使底层动态模型未知，这在链接预测中获得的F1分数得到了证明。