基于高阶知识的网络可控性鲁棒性预测：超图神经网络方法
机器学习
2026-03-04 v1 人工智能
摘要
为了评估网络在各种攻击下的抗性，并为潜在的性能提升和可控性维护提供指导，网络可控性鲁棒性（NCR）近年来受到越来越多的关注。传统方法通过仿真来确定可控性鲁棒性，这些仿真计算耗时且仅适用于小规模网络。虽然已有一些基于机器学习的方法用于预测网络可控性鲁棒性，但它们主要关注复杂网络中的二元互动，而高阶结构信息与可控性鲁棒性之间的潜在关系尚未被探索。本文提出了一种基于高阶知识的双超图注意力神经网络模型（NCR-HoK），用于完成鲁棒性学习和可控性鲁棒性曲线预测。通过节点特征编码器、高阶关系构建和专用的双超图注意力模块，该方法能够有效地同时学习三类网络信息：原始图中的显式结构信息、局部邻域中的高阶连接信息以及嵌入空间中的隐藏特征。值得注意的是，我们首次探讨了高阶知识对网络可控性鲁棒性的影响。与当前用于网络鲁棒性学习的先进方法相比，该方法在合成数据和真实网络上均表现出优异性能，同时计算开销较低。
引用
@article{arxiv.2603.02265,
title = {High-order Knowledge Based Network Controllability Robustness Prediction: A Hypergraph Neural Network Approach},
author = {Shibing Mo and Jiarui Zhang and Jiayu Xie and Xiangyi Teng and Jing Liu},
journal= {arXiv preprint arXiv:2603.02265},
year = {2026}
}