基于深度强化学习的超网络拆解
机器学习
2022-03-09 v2 系统与控制
系统与控制
摘要
网络拆解旨在通过移除一组最优节点来降低网络的连通性。它已广泛应用于许多现实场景，如疫情控制和谣言抑制。然而，传统方法通常聚焦于仅含成对交互的简单网络建模，而以超网络建模的群体交互无处不在且至关重要。在这项工作中，我们将超网络拆解问题表述为一个节点序列决策问题，并提出了一种基于深度强化学习（DRL）的超网络拆解框架。此外，我们设计了一种新颖的归纳式超网络嵌入方法，以确保对各类现实超网络的可迁移性。我们的框架首先生成小规模合成超网络，并将节点和超网络分别嵌入低维向量空间以表示 DRL 中的动作和状态空间。然后，智能体在这些合成超网络上执行试错式拆解任务，并持续优化拆解策略。最后，经过充分优化的策略被应用于现实世界的超网络拆解任务。在五个真实超网络上的实验结果证明了我们所提框架的有效性。
引用
@article{arxiv.2104.14332,
title = {Hypernetwork Dismantling via Deep Reinforcement Learning},
author = {Dengcheng Yan and Wenxin Xie and Yiwen Zhang and Qiang He and Yun Yang},
journal= {arXiv preprint arXiv:2104.14332},
year = {2022}
}