導(dǎo)語

集智俱樂部聯(lián)合北京師范大學(xué)教授吳俊、國防科技大學(xué)副研究員譚索怡、北京化工大學(xué)副教授谷偉偉、中國科學(xué)技術(shù)大學(xué)博士后范天龍、國防科技大學(xué)在讀博士卿楓共同發(fā)起，跨越網(wǎng)絡(luò)結(jié)構(gòu)、算法模型與應(yīng)用場景的視角，探索復(fù)雜網(wǎng)絡(luò)瓦解的前沿進(jìn)展。重點探討不同算法與優(yōu)化框架如何幫助我們認(rèn)識網(wǎng)絡(luò)的脆弱性，并在現(xiàn)實約束下推動網(wǎng)絡(luò)系統(tǒng)的智能演化與應(yīng)用發(fā)展。

多層異質(zhì)網(wǎng)絡(luò)的瓦解研究聚焦于復(fù)雜系統(tǒng)中多類型節(jié)點與多重關(guān)系的協(xié)同失穩(wěn)機(jī)制。與單層網(wǎng)絡(luò)不同，異質(zhì)網(wǎng)絡(luò)通過跨層耦合形成相互依賴的多維結(jié)構(gòu)，其瓦解過程往往伴隨非線性反饋與級聯(lián)擴(kuò)散，導(dǎo)致系統(tǒng)呈現(xiàn)更強(qiáng)的脆弱性與不可預(yù)測性。理解這一過程，不僅有助于揭示網(wǎng)絡(luò)韌性的多層次來源，也為關(guān)鍵基礎(chǔ)設(shè)施、供應(yīng)鏈與社會系統(tǒng)的穩(wěn)健設(shè)計提供理論依據(jù)。

分享簡介

本次報告以“多層異質(zhì)網(wǎng)絡(luò)的瓦解”為主題，從理論與方法雙重視角出發(fā)。首先闡釋異質(zhì)網(wǎng)絡(luò)瓦解與單層瓦解的差異與聯(lián)系，系統(tǒng)梳理靶向攻擊、圖優(yōu)化與表征學(xué)習(xí)等基礎(chǔ)模型。隨后，介紹人工智能驅(qū)動的智能瓦解框架——結(jié)合圖神經(jīng)網(wǎng)絡(luò)與強(qiáng)化學(xué)習(xí)實現(xiàn)高維狀態(tài)下的自適應(yīng)優(yōu)化策略。最后，報告將展望多層網(wǎng)絡(luò)瓦解與韌性優(yōu)化在社會治理、基礎(chǔ)設(shè)施防護(hù)、疾病傳播控制及地學(xué)系統(tǒng)中的應(yīng)用前景，探討智能化方法如何突破傳統(tǒng)算法的局限，為復(fù)雜系統(tǒng)的安全與魯棒性提供新的解決范式。

核心關(guān)注問題

在本期內(nèi)容中，我們將探討：

1.異質(zhì)網(wǎng)絡(luò)瓦解是什么？它與單層網(wǎng)絡(luò)瓦解有何聯(lián)系與區(qū)別？

2.人工智能如何用于解決網(wǎng)絡(luò)瓦解問題？

3.單層與多層網(wǎng)絡(luò)的表征學(xué)習(xí)有哪些核心算法？

4.AI 驅(qū)動的網(wǎng)絡(luò)瓦解算法如何構(gòu)建與實現(xiàn)？

5.網(wǎng)絡(luò)瓦解與圖組合優(yōu)化未來將走向何處？

核心概念

分享大綱

1. 概念背景

a.研究背景

b.問題定義

c.概念內(nèi)涵

1. 研究進(jìn)展

a.瓦解方法維度

b.瓦解模型維度

c.目標(biāo)網(wǎng)絡(luò)維度

1. 未來方向

a.理論方法

b.應(yīng)用領(lǐng)域

主講人介紹

谷偉偉，博士，北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院副教授，北京師范大學(xué)系統(tǒng)分析與集成專業(yè)博士，印第安納大學(xué)、芝加哥大學(xué)聯(lián)合培養(yǎng)博士。曾以第一作者在Nature Machine Intelligence, Nature Communications, Neural Networks, Social Networks等期刊發(fā)表學(xué)術(shù)文章二十余篇。研究方向為圖神經(jīng)網(wǎng)絡(luò)、圖組合優(yōu)化、強(qiáng)化學(xué)習(xí)、數(shù)據(jù)挖掘。

參與時間

2025年11月25日（周二）晚上19:30-21:30（固定時間，記得關(guān)注獲取每周分享信息～）

報名加入社群交流

https://pattern.swarma.org/study_group/70?from=wechat

掃碼參與，加入社群，獲取系列讀書會永久回看權(quán)限，與社區(qū)的一線科研工作者溝通交流，共同溯源復(fù)雜科學(xué)的思想脈絡(luò)。

領(lǐng)域必讀文獻(xiàn)

[1] Fan, C.; Zeng, L.; Sun, Y.; Liu, Y.-Y. Finding Key Players in Complex Networks through Deep Reinforcement Learning. Nat Mach Intell 2020, 2 (6), 317–324.

[2] Zhang, J.; Wang, B. Dismantling Complex Networks by a Neural Model Trained from Tiny Networks. In Proceedings of the 31st ACM International Conference on Information & Knowledge Management; ACM: Atlanta GA USA, 2022; pp 2559–2568. https://doi.org/10.1145/3511808.3557290.

[3] Grassia, M.; De Domenico, M.; Mangioni, G. Machine Learning Dismantling and Early-Warning Signals of Disintegration in Complex Systems. Nat Commun 2021, 12 (1), 5190. https://doi.org/10.1038/s41467-021-25485-8.

[4] Osat, S.; Papadopoulos, F.; Teixeira, A. S.; Radicchi, F. Embedding-Aided Network Dismantling. Phys. Rev. Research 2023, 5 (1), 013076. https://doi.org/10.1103/PhysRevResearch.5.013076.

[5] Buldyrev, S. V.; Parshani, R.; Paul, G.; Stanley, H. E.; Havlin, S. Catastrophic Cascade of Failures in Interdependent Networks. Nature 2010, 464 (7291), 1025–1028. https://doi.org/10.1038/nature08932.

[6] Gu, W.; Yang, C.; Li, L.; Hou, J.; Radicchi, F. Deep-Learning-Aided Dismantling of Interdependent Networks. Nat Mach Intell 2025. https://doi.org/10.1038/s42256-025-01070-2.

[7] Kleineberg, K.-K.; Buzna, L.; Papadopoulos, F.; Bogu?á, M.; Serrano, M. á. Geometric Correlations Mitigate the Extreme Vulnerability of Multiplex Networks against Targeted Attacks. arXiv February 8, 2017.

[8] Nan, H.; Wang, S.; Ouyang, C.; Zhou, Y.; Gu, W. Assessing the Robustness and Reducibility of Multiplex Networks with Embedding-Aided Interlayer Similarities. Phys. Rev. E 2025, 111 (5), 054315. https://doi.org/10.1103/PhysRevE.111.054315.

[9] Hu, Q.; Li, R.; Deng, Q.; Zhao, Y.; Li, R. Enhancing Network by Reinforcement Learning and Neural Confined Local Search. In Proceedings of the Thirty-Second International Joint Conference on Artificial Intelligence.

復(fù)雜網(wǎng)絡(luò)瓦解讀書會

從復(fù)雜網(wǎng)絡(luò)的構(gòu)建到智能優(yōu)化的演化，理解網(wǎng)絡(luò)的魯棒性與瓦解機(jī)制始終是一個深刻的挑戰(zhàn)。更值得深思的是，網(wǎng)絡(luò)的結(jié)構(gòu)和算法設(shè)計如何決定了網(wǎng)絡(luò)在遭遇局部攻擊時的脆弱性，及其整體瓦解的速度與范圍。動態(tài)演化過程中的節(jié)點和邊的變化，也會影響系統(tǒng)如何在瓦解中保持部分功能，或如何適應(yīng)新的結(jié)構(gòu)。因此，網(wǎng)絡(luò)瓦解研究聚焦于一個核心問題：在不同類型的網(wǎng)絡(luò)結(jié)構(gòu)（如高階網(wǎng)絡(luò)、空間網(wǎng)絡(luò)、時序網(wǎng)絡(luò)）中，局部的破壞如何引發(fā)整體功能的喪失？在面對網(wǎng)絡(luò)的異質(zhì)性和約束條件下，不同的優(yōu)化算法如何有效識別并摧毀關(guān)鍵節(jié)點與連接，從而最大化網(wǎng)絡(luò)的瓦解效應(yīng)，進(jìn)而影響系統(tǒng)的整體穩(wěn)定性與韌性？

集智俱樂部聯(lián)合北京師范大學(xué)教授吳俊、國防科技大學(xué)副研究員譚索怡、北京化工大學(xué)副教授谷偉偉、中國科學(xué)技術(shù)大學(xué)博士后范天龍、國防科技大學(xué)在讀博士卿楓共同發(fā)起，跨越網(wǎng)絡(luò)結(jié)構(gòu)、算法模型與應(yīng)用場景的視角，探索復(fù)雜網(wǎng)絡(luò)瓦解的前沿進(jìn)展。重點探討不同算法與優(yōu)化框架如何幫助我們認(rèn)識網(wǎng)絡(luò)的脆弱性，并在現(xiàn)實約束下推動網(wǎng)絡(luò)系統(tǒng)的智能演化與應(yīng)用發(fā)展。

詳情請見：