用于预测复杂网络长期动力学的物理信息高阶图动力学识别学习
人工智能
2025-10-14 v2 计算机与社会
社会与信息网络
物理与社会
摘要
学习复杂网络动力学对于理解、建模和控制现实世界复杂系统至关重要。在预测复杂网络动态演化任务中存在两个主要问题：一方面，现有方法通常使用简单图来描述复杂网络中的关系；然而，这种方法只能捕获成对关系，而网络中可能存在丰富的非成对结构关系。一阶GNN难以捕获动态非成对关系。另一方面，理论预测模型缺乏准确性，数据驱动预测模型缺乏可解释性。为解决上述问题，本文提出了一种用于复杂网络长期动态预测的高阶网络动力学识别方法。首先，为解决传统图机器学习仅能处理成对关系的问题，引入动态超图学习以捕获复杂网络中的高阶非成对关系，从而提升复杂网络建模的精度。其次，提出一种物理数据双驱动动态预测模块。引入Koopman算子理论，将复杂网络动态演化的非线性动力学微分方程转化为线性系统进行求解。同时，利用物理信息神经微分方程方法确保动态演化符合物理规律。双驱动动态预测模块同时保证了预测的准确性和可解释性。在公开数据集和自建的工业链网络数据集上的实验结果表明，本文方法具有良好的预测精度和长期预测性能。
引用
@article{arxiv.2510.09082,
title = {Physics-Informed High-order Graph Dynamics Identification Learning for Predicting Complex Networks Long-term Dynamics},
author = {Bicheng Wang and Junping Wang and Yibo Xue},
journal= {arXiv preprint arXiv:2510.09082},
year = {2025}
}