TDNetGen：通过拓扑与动力学的生成式增强实现复杂网络鲁棒性预测
人工智能
2024-08-20 v1
摘要
预测复杂网络的鲁棒性，即网络在外部扰动或内部故障下保持基本功能的能力，对于理解和改进现实世界复杂系统至关重要。基于非线性动力系统的传统理论方法依赖于对网络动力学的先验知识。另一方面，数据驱动方法经常面临标注数据不足的挑战，这是在现实场景中常见的问题。在本文中，我们提出了一种用于复杂网络鲁棒性预测的新框架，旨在通过生成式网络拓扑与动力学数据增强来解决这一问题。其核心思想是策略性地利用无标签网络数据中固有的联合分布，通过揭示网络拓扑与动力学之间的关系来促进鲁棒性预测器的学习过程。在三个网络数据集上的实验结果表明，所提出的 TDNetGen 框架可以实现高达 85%–95% 的预测精度。此外，该框架在极端低数据条件下仍表现出显著的增强能力，从而凸显了其在提升网络鲁棒性预测方面的实用性和鲁棒性。我们的代码已开源，地址为 https://github.com/tsinghua-fib-lab/TDNetGen。
引用
@article{arxiv.2408.09825,
title = {TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics},
author = {Chang Liu and Jingtao Ding and Yiwen Song and Yong Li},
journal= {arXiv preprint arXiv:2408.09825},
year = {2024}
}