.png){kind=icon}
返回
A graph transformer-driven reinforcement learning based on popularity for mining complex network key nodes
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.131614.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
复杂网络中的关键节点在维持网络系统的稳定性、功能性和鲁棒性方面发挥着至关重要的作用。因此，准确识别这些节点具有基础性重要意义。其重要性涵盖多个领域，包括通信系统、交通基础设施、生命科学和社会网络等。现有的关键节点识别算法通常依赖于启发式度量或标准深度强化学习框架。然而，这些方法往往存在特征提取能力有限、计算复杂度高、泛化能力不足以及缺乏动态适应性等问题。为克服这些局限性，本研究提出了一种新型架构GTRP（基于流行度的图Transformer驱动的强化学习）。GTRP通过引入节点和边各自不同的注意力机制扩展了Epidemic-aware Heterogeneous Graph Transformer（GT），能够整合局部结构特征和全局传播特性。此外，GTRP融入了Dual-dynamics Reward Optimization（DR），基于网络解构策略识别关键节点。该模型在随机生成的Barabási–Albert（BA）网络上进行训练，并在不同规模的合成网络以及多个真实网络场景中进行评估。与六种代表性算法的比较实验表明，GTRP实现了显著性能提升——在无权网络中优于现有方法6.30%，在加权网络中优于现有方法15.90%。这些结果凸显了GTRP在复杂网络分析中推进关键节点检测的潜力。
