基于高阶图神经网络的复杂网络拆解

为何拆解网络能够保护我们

从阻止传染病和网络谣言，到破坏犯罪或脆弱的金融网络，许多紧迫问题归结为一个简单的问题：怎样以最高效的方式破坏一个复杂的连接网？本文提出了一种更聪明的方法，用以发现网络中那几个隐蔽但关键的点——移除它们最能导致整体结构瓦解——该方法不仅考察直接连边，还关注更丰富的群体交互。

从现实系统到连接网络

现代科学常把系统表示为网络，节点可以是人、蛋白质或城市，连边表示谁与谁发生交互。此类系统的稳健性取决于当一些节点失效或被移除时网络保持连通的能力。找到最小的一组节点将网络击碎成许多小片段被称为网络拆解。这一问题关联到免疫人群、阻止互联网恶意软件或削弱有组织犯罪集团等任务。以往的方法大多只着眼于简单的两两连接，例如节点的邻居数或有多少条最短路径经过该节点，然后移除得分最高的节点。

为何单纯连边会错过隐藏的影响者

真实系统很少仅通过成对互动运作。科研团队、群聊、蛋白复合体和生态群落都涉及三个或更多参与者共同作用。这些高阶相互作用不能简化为对等连边之和。两个节点若仅凭直接连边评估可能毫无特别，但在许多重叠群体中却至关重要。传统方法常忽略节点在整个网络中如何共享角色，或在这些小群模式内部的行为。因此，它们可能留下仍然几乎正常运作的簇，即便许多高连接度节点已被移除。

远观与近察中的角色识别

作者提出了名为SPR的框架，即结构与过程角色感知网络拆解（Structural and Processual Role aware Network Dismantling），其基于更通用的高阶图神经网络（HoGNN）。首先，他们将真实系统转为网络，并为每个节点计算一组基础特征，既捕捉局部特质（如邻居数），也捕捉全局特质（如与他人的接近性）。从广角来看，SPR学习每个节点在整体架构中的结构性角色：例如枢纽、社区之间的桥梁或边界节点。即使相距甚远、扮演相似角色的节点也会被归为称为超边的高阶连接。从近距观察，SPR跟踪节点在许多不同规模的重叠小群体中的参与情况，揭示其过程性角色——即其影响力如何在三元组和更大群体中发生变化。

让网络学习什么才重要

随后，HoGNN沿这些高阶结构传递信息，使用注意力机制使模型更关注那些对拆解网络最重要的角色和群体。它将宏观的结构角色信息与微观的过程角色信息结合，生成每个节点的单一拆解得分，该得分被解释为该节点属于目标攻击集合的概率。在训练过程中，该方法由一个损失函数引导，平衡两个目标：缩小网络中最大连通部分的规模，同时尽可能少地移除节点。训练完成后，SPR只需按得分对节点排序并逐一移除，直到剩余的最大连通部分降到选定的阈值以下。

该方法在实践中效果如何

研究者在九个来自社交、生物和通信场景的真实网络以及若干合成网络模型上测试了SPR。与二十种领先方法（包括经典中心性评分和先进的机器学习技术）相比，SPR通常需要更少的节点移除即可使网络崩溃。它在富含紧密群体和重叠高阶结构的网络中表现尤为出色——在这些网络中，基于度的传统方法常被致密团体误导。SPR在具有不同连接模式的合成网络上也表现良好，并且随着网络规模或密度增大仍然有效，尽管密集系统自然需要更多的移除。

这对控制复杂系统意味着什么

通俗地说，这项工作表明仅看谁与谁相连不足以找到复杂网络中的真实破坏点。通过同时考虑谁在群体中协同行动，以及节点如何在整个系统中共享相似角色，SPR能够发现那些微妙但关键的参与者——移除它们最能使网络碎片化。尽管研究聚焦于拆解，同样的思想也可用于选择应接种疫苗的人以减缓疾病传播、监控哪些账户以防金融传染，或支持哪些要素以保持重要系统的稳定。

引用: Zhou, W., Tan, S., Fang, Y. et al. Dismantling complex networks based on higher-order graph neural network. Commun Phys 9, 181 (2026). https://doi.org/10.1038/s42005-026-02601-y

关键词: 网络拆解, 复杂网络, 图神经网络, 高阶相互作用, 网络鲁棒性