近來(lái)，我院王建波老師課題組在人工智能算法及網(wǎng)絡(luò)科學(xué)領(lǐng)域研究中取得新進(jìn)展，在《中國(guó)科學(xué)：信息科學(xué)》、《IEEE Transactions on Computational Social Systems》、《Physica A》和《Chinese Physics B》發(fā)表多篇學(xué)術(shù)論文。
碩士生蔣睿在CCF-A類(lèi)TOP期刊《中國(guó)科學(xué)：信息科學(xué)》發(fā)表學(xué)術(shù)論文“基于社區(qū)劃分和關(guān)鍵節(jié)點(diǎn)的高階網(wǎng)絡(luò)重構(gòu)”。該論文針對(duì)高階網(wǎng)絡(luò)重構(gòu)中的組合爆炸與高時(shí)間復(fù)雜度問(wèn)題，提出了一種基于社區(qū)劃分與關(guān)鍵節(jié)點(diǎn)識(shí)別的分階段重構(gòu)框架（HRCK）。核心創(chuàng)新在于：利用高階交互的稀疏性與局部性先驗(yàn)，將全局重構(gòu)分解為社區(qū)內(nèi)局部重構(gòu)與跨社區(qū)關(guān)鍵節(jié)點(diǎn)全局重構(gòu)的混合策略；并設(shè)計(jì)多維權(quán)值函數(shù)，從拓?fù)湮恢谩?dòng)態(tài)活躍度及模體參與性三方面精準(zhǔn)篩選關(guān)鍵節(jié)點(diǎn)。理論分析表明，該方法顯著降低了計(jì)算復(fù)雜度。在多個(gè)真實(shí)與合成高階網(wǎng)絡(luò)上的實(shí)驗(yàn)結(jié)果顯示，HRCK的運(yùn)行時(shí)間較現(xiàn)有先進(jìn)方法（HOR、DSR）降低一個(gè)數(shù)量級(jí)以上，且在充足數(shù)據(jù)下的重構(gòu)性能（F1-Score）全面優(yōu)于對(duì)比方法，尤其適用于具有清晰社區(qū)結(jié)構(gòu)的真實(shí)高階網(wǎng)絡(luò)。該工作為大規(guī)模高階網(wǎng)絡(luò)的高效重構(gòu)提供了兼顧精度與可擴(kuò)展性的新路徑。論文鏈接：http://engine.scichina.com/doi/10.1360/SSI-2025-0466
圖1 HRCK 框架重構(gòu)高階網(wǎng)絡(luò)流程圖.
碩士生陳家龍?jiān)趪?guó)際權(quán)威SCI期刊、IEEE匯刊《IEEE Transactions on Computational Social Systems》發(fā)表論文“Detecting Social Bots via Multi-Motif Attention Fusion Network”。該論文針對(duì)現(xiàn)有社交機(jī)器人檢測(cè)方法僅依賴(lài)低階鄰居信息、難以捕捉復(fù)雜高階拓?fù)浣Y(jié)構(gòu)的根本局限，提出了一種新穎的多模體注意力融合網(wǎng)絡(luò)（MMAFN）。核心創(chuàng)新包括：從原始社交圖中提取多種三節(jié)點(diǎn)模體，顯式建模高階交互模式；設(shè)計(jì)多階拓?fù)淙诤夏K，將原始圖與模體圖跨尺度整合，同時(shí)保留邊的方向性與多粒度語(yǔ)義；引入模體級(jí)注意力機(jī)制，動(dòng)態(tài)融合不同模體視圖的特征，自適應(yīng)聚焦最具判別力的結(jié)構(gòu)信息。實(shí)驗(yàn)在兩個(gè)大規(guī)模真實(shí)數(shù)據(jù)集（Twibot-20、MGTAB）上進(jìn)行，與包括Node2Vec、GCN、GAT、RGT、BotRGCN等在內(nèi)的14種現(xiàn)有方法全面對(duì)比。結(jié)果表明，MMAFN在準(zhǔn)確率、F1分?jǐn)?shù)、召回率和精確率上均顯著超越所有基線(xiàn)，尤其在MGTAB數(shù)據(jù)集上F1分?jǐn)?shù)提升達(dá)1.25%。消融實(shí)驗(yàn)與可視化分析進(jìn)一步驗(yàn)證了多模體融合與注意力機(jī)制的關(guān)鍵作用。該工作為社交機(jī)器人檢測(cè)提供了一種高效捕捉高階拓?fù)湫畔⒌男路妒剑婢邇?yōu)越性能與良好可擴(kuò)展性。
論文鏈接（代碼與數(shù)據(jù)公開(kāi)）：https://ieeexplore.ieee.org/abstract/document/11433706/
圖2 所提MMAFN方法的框架圖
碩士生唐培超在國(guó)際權(quán)威SCI期刊《Physica A》發(fā)表學(xué)術(shù)論文“Observer-free source detection in temporal networks with graph neural networks”。該論文針對(duì)現(xiàn)有源檢測(cè)方法依賴(lài)靜態(tài)網(wǎng)絡(luò)結(jié)構(gòu)、均勻爆發(fā)時(shí)間或預(yù)部署觀(guān)察者節(jié)點(diǎn)的局限，提出了一種無(wú)需觀(guān)察者的圖神經(jīng)網(wǎng)絡(luò)方法NHTD。核心創(chuàng)新包括：設(shè)計(jì)節(jié)點(diǎn)局部異質(zhì)性特征，刻畫(huà)鄰居感染狀態(tài)分布；提出多時(shí)間尺度影響累積特征，以時(shí)間衰減權(quán)重捕捉早期活躍節(jié)點(diǎn)的影響力；引入時(shí)間信息流勢(shì)能特征，基于模擬信息流評(píng)估節(jié)點(diǎn)作為源頭的潛力。通過(guò)注意力機(jī)制融合三類(lèi)特征，模型僅需最終感染快照與網(wǎng)絡(luò)動(dòng)態(tài)即可適應(yīng)未知且非均勻的爆發(fā)時(shí)間。在多個(gè)真實(shí)時(shí)間網(wǎng)絡(luò)上的實(shí)驗(yàn)表明，NHTD在Top-1、Top-5和Hop-1準(zhǔn)確率上顯著優(yōu)于Betweenness、Rumor Centrality、LPSI、IVGD及BN等五種代表性方法，尤其在復(fù)雜噪聲環(huán)境下表現(xiàn)突出。消融實(shí)驗(yàn)驗(yàn)證了各特征模塊的關(guān)鍵貢獻(xiàn)，魯棒性分析顯示在20%節(jié)點(diǎn)狀態(tài)缺失時(shí)仍保持良好性能。該工作為實(shí)時(shí)流行病監(jiān)測(cè)提供了一種可擴(kuò)展、無(wú)觀(guān)察者的實(shí)用源檢測(cè)方案。論文鏈接：https://www.sciencedirect.com/science/article/abs/pii/S0378437125008519
圖3 NHTD方法的流程圖
碩士生林渤杭在國(guó)際權(quán)威SCI期刊《Chinese Physics B》發(fā)表學(xué)術(shù)論文“Six-degree gravity centrality for detecting influential nodes in networks”。該論文針對(duì)現(xiàn)有節(jié)點(diǎn)影響力識(shí)別方法僅依賴(lài)局部或全局拓?fù)浣Y(jié)構(gòu)、忽略半局部交互信息的局限，提出了一種基于六度分離理論的引力中心性方法（SDGC）。核心創(chuàng)新包括：融合K-殼與緊密度中心性定義節(jié)點(diǎn)質(zhì)量，平衡局部與全局信息；基于六度分離理論限定路徑搜索范圍為六跳內(nèi)，引入動(dòng)態(tài)交互距離，綜合考慮最短路徑長(zhǎng)度與路徑數(shù)量；設(shè)計(jì)基于K-殼差值的吸引力系數(shù)，刻畫(huà)跨層級(jí)傳播特性。在九個(gè)真實(shí)網(wǎng)絡(luò)（包括社交、合作、交通等）上的實(shí)驗(yàn)表明，SDGC在感染能力、網(wǎng)絡(luò)效率衰減、魯棒性及單調(diào)性等指標(biāo)上顯著優(yōu)于DC、BC、CC、K-shell及五種先進(jìn)引力模型方法（GC、EGM、LGC、AOGC、FGM）。消融實(shí)驗(yàn)驗(yàn)證了節(jié)點(diǎn)質(zhì)量、動(dòng)態(tài)距離與吸引力系數(shù)的關(guān)鍵貢獻(xiàn)。該工作為復(fù)雜網(wǎng)絡(luò)中高影響力節(jié)點(diǎn)的精準(zhǔn)識(shí)別提供了一種平衡全局、局部與半局部信息，兼具精度與可擴(kuò)展性的新方案。論文鏈接：https://iopscience.iop.org/article/10.1088/1674-1056/adec62
圖4 SDGC方法的框架圖
以上研究成果的合作者還包括：北京師范大學(xué)許小可教授、南方科技大學(xué)杜占瑋副教授、我院李平研究員及香港大學(xué)白媛博士后研究員等。
《中國(guó)科學(xué)：信息科學(xué)》是中國(guó)計(jì)算機(jī)學(xué)會(huì)(CCF)、中國(guó)自動(dòng)化學(xué)會(huì)(CAA)、中國(guó)通信學(xué)會(huì)(CIC) 和中國(guó)人工智能學(xué)會(huì)(CAAI) 推薦的A類(lèi)期刊，也是中國(guó)電子學(xué)會(huì)(CIE) 推薦的T1級(jí)期刊。IEEE TCSS和 Physica A分別是社會(huì)計(jì)算領(lǐng)域的權(quán)威期刊和交叉學(xué)科國(guó)際著名SCI期刊，均為JCR 一區(qū)期刊。Chinese Physics B是中國(guó)物理學(xué)會(huì)主辦的國(guó)際權(quán)威SCI期刊。
