.png){kind=icon}
返回
Multi-indicator resilience analysis method based on GCN for graph network
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.133542.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图网络韧性分析对于量化复杂系统在结构扰动下的稳定性至关重要。然而，现有方法主要依赖纯拓扑指标或领域特定启发式方法，显著限制了其泛化能力。为解决此局限性，我们提出了一种基于图卷积网络（GCN）的多指标韧性分析方法（MIRA-GCN）。为全面捕捉结构稳定性和功能保留，我们设计了一个包含四个核心指标的评价体系：嵌入特征差异、特征权重波动、预测精度变化和分数变化。通过在学习过程中自适应融合这些指标，MIRA-GCN有效捕获图功能表征，并量化拓扑扰动下的性能退化。在七个多样化图数据集上的广泛实验表明，我们的方法与传统方法达到高排名一致性（最高）。此外，MIRA-GCN在不同网络模块性和拓扑结构上表现出强泛化能力，为自动化图韧性评价提供了一个稳健、多维度的工具。
Keyword:
Graph resilience
Graph Convolutional Networks
Multi-indicator evaluation
Topological perturbations
Network stability
