《Mathematics》：Graph Attributed Unlearning via Propagation Suppression and Knowledge Dissipation
编辑推荐：
任务分解是多智能体协同维护系统中的一项基本挑战，其中非结构化自然语言指令必须被精确地转化为逻辑连贯、可执行的子任务序列。本文将任务分解形式化为一个在异构知识图谱（knowledge graph, KG）上的约束最优路径搜索问题，该知识图谱编码了煤矿设备拓扑、故
任务分解是多智能体协同维护系统中的一项基本挑战，其中非结构化自然语言指令必须被精确地转化为逻辑连贯、可执行的子任务序列。本文将任务分解形式化为一个在异构知识图谱（knowledge graph, KG）上的约束最优路径搜索问题，该知识图谱编码了煤矿设备拓扑、故障因果关系和维修程序。研究人员构建了一个复合代价函数，该函数系统性地整合了图神经网络（Graph Neural Network, GNN）嵌入的语义相似度、关系类型权重和结构路径长度，将指令解析转化为一个数学上可处理的组合优化问题。该代价函数基于知识图谱中最短路径推理的原理推导得出：关系权重捕捉领域特定的关联强度，语义相似度项促进上下文连贯的链，路径长度惩罚项防止不必要的长推导。研究人员开发了一种将异构图卷积与波束搜索（beam search）耦合的多跳推理算法，以高效求解该问题，在保证计算可行性的同时获得高质量的近似解。该推理过程天然具有可解释性，因为最优路径直接映射为一条可追踪的原子任务序列，且具有显式的依赖关系。形式化复杂度分析表明，该算法的复杂度为O(b·K·d_max)，其中b是波束宽度，d_max是最大节点度数。进一步推导了所提出框架的若干理论性质：代价函数非负且严格单调，最优路径满足最优子结构性质，无环最优路径始终存在，且给定足够大的波束宽度，波束搜索可以产生全局最优解。这些理论结论为所提出的分解框架提供了数学保证。在200条复合维修指令上的实验（使用黄金标准标注，标注者间一致性Cohen's κ=0.88）表明，所提方法达到了94.3%的任务序列准确率（95%置信区间: 91.2–96.8%）和96.4%的依赖关系准确率（95%置信区间: 93.5–98.1%），显著优于规则增强基线（58.6%, 62.1%）和GPT-4o少样本链式思维基线（73.2%, 70.5%）；两项比较的McNemar检验均得到p<0.001。平均推理时间为29.7 ms（标准差2.1 ms），满足严格的工业实时约束。消融研究量化了每个代价函数分量的贡献，并确认了所选波束宽度和超参数的鲁棒性。当集成到完整的多智能体系统中时，该框架的端到端响应时间在3秒以内（P50: 1.87 s, P95: 2.83 s），即使在双智能体故障下仍保持86.7%的任务成功率，验证了所提出数学公式的鲁棒性。该工作为多智能体系统中的指令分解建立了严格的图理论基础，可直接应用于安全关键的工业环境。
**论文解读：基于知识图谱与图神经网络的多智能体协同维护任务分解方法**
**研究背景与问题**
现有煤矿设备维护研究已初步解决基于单一指标的状态报警和规则触发问题，但在实际场景中，设备种类繁多、故障传播路径复杂，加之高风险环境，对响应准确性和安全相关表示提出了极高要求。传统依赖人工经验的维护模式在处理多源异构信息时反应迟缓，容易遗漏关键故障线索，难以满足智能矿山对维护决策实时性和鲁棒性的严苛要求。为此，研究人员引入多智能体协作理论，构建集中协调与分布式执行相结合的交互架构，并重点设计基于知识图谱（Knowledge Graph, KG）和图神经网络（Graph Neural Network, GNN）的任务分解方法，以实现多智能体协作下维护任务的最优分解，将平均故障响应延迟降至秒级，显著降低关键线索遗漏率。论文发表在《Mathematics》。
**主要关键技术方法**
研究人员采用了以下关键技术方法：（1）构建煤矿设备维护知识图谱，包括实体抽取（BERT-BiLSTM-CRF序列标注模型）、关系抽取（多元分类模型）、知识融合（实体对齐）和知识存储（Neo4j图数据库）；（2）将任务分解形式化为知识图谱上的约束最优路径搜索问题，设计复合代价函数整合GNN嵌入的语义相似度、关系类型权重和路径长度；（3）开发基于异构图卷积网络（Heterogeneous Graph Convolutional Network, HGCN）和波束搜索（beam search）的多跳推理算法，实现端到端可解释推理路径发现；（4）路径到任务转换算法，将推理路径映射为可执行的原子任务序列，并确定任务依赖关系。样本数据来源于四个自建场景数据集（MSED、EFDD、MPFD、PMD），标注由三位资深煤矿维修专家完成。
**研究结果**
**1. 知识图谱构建结果**：知识图谱包含6842个实体节点和12756条关系边，覆盖采煤、支护、运输三大系统。实体类型中故障原因占26.51%，故障现象20.85%，维修方案15.06%；关系类型中solved_by（解决方案）数量最多（2341条），反映故障现象与维修方案的高度耦合。
**2. 任务分解形式化**：将用户自然语言请求通过实体识别函数映射为实体集，定义原子任务对应的目标实体类型（状态评估T1、故障诊断T2、维修方案T3、预防性维护T4），建立推理路径及其代价函数，将问题转化为最小化复合代价的最优路径搜索。
**3. 多跳推理算法**：采用异构图卷积网络更新节点嵌入（128维），结合波束搜索逐跳扩展推理路径，通过路径评分函数实时评估候选路径质量。复杂度分析表明算法规模为O(b·K·d_max)，在标准硬件上可于30ms内完成。
**4. 理论分析**：证明了代价函数的非负性与严格单调性、最优子结构性质、无环最优路径的存在性，以及给定足够大波束宽度时的全局最优性，为启发式搜索提供了数学基础。
**5. 实验对比**：在200条复合维修指令上，所提方法任务序列准确率94.3%，依赖关系准确率96.4%，平均推理时间29.7ms，显著优于规则增强基线（58.6%, 62.1%）和GPT-4o少样本链式思维基线（73.2%, 70.5%），McNemar检验p<0.001。消融研究显示，去除语义相似度项导致准确率下降5.1%，去除路径长度惩罚项使依赖准确率下降4.7%，验证了各分量的贡献。
**6. 系统端到端性能**：集成到完整多智能体系统后，端到端响应时间P50=1.87s，P95=2.83s，满足3s工业实时要求。专家语言质量评分均超过4.7分（满分5），总体任务成功率达91.5%。在单智能体故障下T2任务成功率达97.8%，双智能体故障下仍保持86.7%，验证了鲁棒性。
**结论与讨论**
（1）本文提出了一种数学框架，将非结构化维护指令分解为多智能体系统的最优原子任务序列。任务分解被形式化为异构知识图谱上的约束最优路径搜索问题，目标是最小化整合GNN嵌入语义相似度、关系权重和路径长度的复合代价函数。采用异构图卷积和波束搜索的多跳推理算法高效求解该组合优化问题，生成逻辑可追踪的计划。（2）在200条复合指令上的定量实验表明，该方法任务序列准确率94.3%，依赖关系准确率96.4%，平均推理时间仅29.7ms。集成到完整多智能体系统后，端到端响应时间在3秒以内（P50=1.87s，P95=2.83s），智能体故障下的任务成功率验证了所提出公式的鲁棒性。理论分析（定理1–4）进一步证明了代价函数具有良好的最优子结构性质、无环最优路径存在性，以及无限波束宽度下波束搜索的完备性，为启发式分解方法提供了严格的数学基础。未来工作将聚焦于扩展知识图谱并引入终身学习，使分解模型适应不断演化的维护知识，同时推导有限波束宽度下的近似界。
