无需手工特征的网络拆解学习
机器学习
2026-01-01 v2
摘要
消息传递图神经网络的应用是解决重要网络科学问题的突破性进展。然而，其竞争性性能往往依赖于使用手工结构特征作为输入，这会增加计算成本并引入偏差，从而影响纯数据驱动的网络表示。本文通过引入注意力机制并利用消息迭代轮廓，消除了对手工特征的需求。此外，我们提出了一种有效的方法，用于生成结构多样化的小型合成网络训练集。由此，我们构建了一个高表达性的消息传递框架，用于高效求解网络拆解问题，这在本质上等价于关键节点识别，具有广泛的实际应用前景。该模型仅在多样化的合成网络上训练，即可泛化到包含数百万节点的大规模未知实网络，超越当前领域的网络拆卸方法。该模型提高的效率和可泛化性可推广至复杂网络问题中的多个方面。
引用
@article{arxiv.2508.00706,
title = {Learning Network Dismantling Without Handcrafted Inputs},
author = {Haozhe Tian and Pietro Ferraro and Robert Shorten and Mahdi Jalili and Homayoun Hamedmoghadam},
journal= {arXiv preprint arXiv:2508.00706},
year = {2026}
}
备注
Accepted for Oral Presentation at the 40th AAAI Conference on Artificial Intelligence (AAAI-26), Main Technical Track