.png){kind=icon}
返回
Adaptive multi-scale hypergraph neural network for multi-source detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116883.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于超图的源检测专注于逆向识别定义在更高阶交互结构上的传播快照中的扩散源。基于简单网络的传统方法假设成对传播，因此无法捕捉实际系统中普遍存在的更高阶聚合交互和非二元依赖关系。由于超图明确编码多节点关系，在超图表示下研究源检测对于提升复杂环境中的传播控制和早期预警至关重要。为解决具有更高阶特征的多源追踪任务，我们提出了自适应多尺度超图神经网络框架，简称AMHNN。所提出的AMHNN整合了自适应传播层，该层结合了可学习的门控与多阶拓扑感知，使模型能够缓解源信号稀释（即由于与感染的非源节点重复聚合导致的源相关信息的损失），同时有效捕捉长程结构依赖。此外，设计了一种基于超边的注意力机制，通过严格在超边范围内评估节点重要性来建模局部异质性。该统一架构促进了从观测数据中直接学习隐含扩散模式的鲁棒性，无需传播动力学的先验知识。在12个合成和经验超图数据集上的实验表明，AMHNN始终优于基线方法，在三种传播模型中平均F1分数较最强基线提升了13.8%。所提出的框架为更高阶网络中的源检测提供了有效且可扩展的解决方案，并支持流行病追踪、谣言识别和复杂系统治理等实际应用。
Keyword:
Hypergraph source detection
Hypergraph neural network
Adaptive gating
Hyperedge attention
