GTRP关键节点识别模型

加权网络提升15.9%

图变压器驱动的强化学习架构，通过节点与边双重注意力和流行度双动态奖励，在加权与无权网络上均实现显著提升。

Kaili, Wang · 武穆清 · Min, Zhao

Neurocomputing 2025

参数信息

加权网络性能提升

15.90 %

无权网络性能提升

6.30 %

技术优势

显著提升识别精度

在无权网络上性能提升6.30%，在加权网络上提升15.90%。

增强动态适应性

引入双动态奖励优化，使模型能适应网络动态变化。

提升泛化能力

在合成网络和多个真实网络上验证，展现跨场景泛化能力。

应用场景

• 社交网络影响最大化：更准确地识别重要用户以最大化信息传播。
• 通信网络关键节点保护：精确定位关键节点以优化保护措施。
• 交通基础设施鲁棒性分析：找出关键枢纽节点以便在维护和应急中优先处理。
• 生命科学网络关键调控因子识别：识别网络中关键调控因子以指导生物实验设计。
• 机器人群体控制核心节点选择：为群体控制选择核心节点以提高协同效率。