基于强化学习的微观图谱生成器用于 assortativity 约束
机器学习
2026-05-25 v1 统计力学
人工智能
摘要
网络结构如何决定其功能是 fundamental 的问题，可通过具有精确控制结构属性的图谱集合进行探讨。标准方法（即指数随机图模型，ERGMs）仅以期望方式强制约束，允许单个实现在目标附近波动。相反，微观图谱集合强制执行硬约束，但实际的采样方法（除了固定度序列外）尚未实现。本文引入 Deep Microcanonical Graph Generator (DMGG)，一种强化学习 (RL) 框架，通过度保持式改造将任意给定图转换为恰好满足指定 assortativity 的图。assortativity 描述相邻节点之间的度相关性。本文不依赖 ERGM 基于最大熵的 Metropolis-Hastings 动力学，而采用基于策略引导的搜索最大化修改联合度矩阵。这一方法消除了参数调参的繁琐工作，加快生成速度至少一个数量级，同时保持配置多样性。由于 DMGG 可跨越各种图大小、稀疏度和拓扑结构，提供的精确空模型允许定量隔离次要可观测量（如聚类系数）。这些结果表明 RL 是生成硬约束图的实用且强大的范式，为探索结构-功能关系开辟了途径，摆脱集合效应的限制。
关键词
引用
@article{arxiv.2605.23285,
title = {Reinforcement Learning for Microcanonical Graph Ensemble with Assortativity Constraints},
author = {Hoyun Choi and Junghyo Jo and Deok-Sun Lee},
journal= {arXiv preprint arXiv:2605.23285},
year = {2026}
}