通过特征重要性感知在稀疏图中学习检测关键节点

在稀疏图中检测关键节点在多种应用领域十分重要，如网络脆弱性评估、传染病控制和药物设计。关键节点问题（CNP）旨在从网络中找出一组关键节点，其删除可最大程度降低残存网络的成对连通性。由于其一般的 NP 难性质，最先进的 CNP 解法基于启发式方法。设计此类方法通常需要领域知识与试错，因而耗费大量精力与时间。本文提出一种特征重要性感知的图注意力网络用于节点表示，并将其与对决双重深度 Q 网络（dueling double deep Q-network）结合，首次创建端到端算法求解 CNP。它不需要大多数现有方法所要求的问题特定知识或标注数据集。模型一经训练，即可泛化应对各类 CNP（不同规模与拓扑结构）而无需重新训练。在 28 个真实网络上的计算实验表明，所提方法与最先进方法高度可比。它不需要任何问题特定知识，因此可适用于许多应用，包括现有方法无法处理的那些。它可与某些局部搜索方法结合以进一步提升解质量。我们给出大量对比结果以展示其在求解 CNP 上的有效性。