自适应多尺度超图神经网络在多源检测中的应用

《Knowledge-Based Systems》：Adaptive multi-scale hypergraph neural network for multi-source detection

　　**摘要**
基于超图的源检测 focuses on 从定义在更高阶交互结构上的传播快照中反向识别扩散源。传统方法针对简单网络开发，假设传播是成对的，因此无法捕捉现实世界系统中常见的更高阶聚合交互和非二元依赖关系。由于超图明确编码了多节点关系，因此在超图表示下研究源检测对于改进复杂环境中的传播控制和早期预警至关重要。为了解决具有更高阶特征的多源追踪任务，我们提出了一个自适应多尺度超图神经网络框架，称为 AMHNN。所提出的 AMHNN 包含一个自适应传播层，该层将可学习的门控与多阶拓扑感知相结合，使模型能够减轻源信号稀释，即由于与受感染的非源节点的重复聚合而导致的源相关信息丢失，同时有效捕捉长距离结构依赖性。此外，设计了一种基于超边的注意力机制，通过在超边范围内严格评估节点重要性来模拟局部异质性。这种统一架构便于直接从观测数据中稳健地学习潜在的传播模式，而无需事先了解传播动态。在 12 个合成和实证超图数据集上的实验表明，AMHNN 一致优于基线方法，在三种传播模型中平均 F1 分数提高了 13.8%。所提出的框架为更高阶网络中的源检测提供了有效且可扩展的解决方案，并支持在流行病追踪、谣言识别和复杂系统治理等实际应用中发挥作用。

**引言**
从观测到的扩散状态推断传播过程的起源是复杂系统中的一个典型逆问题。在流行病爆发、在线虚假信息传播和集体行为传染中，准确识别初始传播者的能力直接决定了控制和干预策略的有效性 [1]、[2]。在过去十年中，源检测主要在简单网络上进行了广泛研究，这些研究中假设传播是通过成对交互发生的。在这种二阶范式下，开发了多种方法，包括基于谣言中心性的推断 [3]、似然最大化和方法传递 [4]，以及拓扑驱动的启发式方法和逆传播技术 [5]、[6]。虽然这些方法取得了相当大的成功，但它们依赖于通常与实际扩散机制不一致的结构假设。在许多现实系统中，传播是通过群体层面的交互而不是孤立接触发生的。例如，参与集体活动的感染者可能同时将病原体传播给多个易感个体；同样，社会群体内发布的信息可以立即影响所有成员。这种集体传播事件引入了简单边无法忠实表示的更高阶相关性。超图提供了一个原理性的建模框架，在该框架中，每个超边编码了一个多节点交互，从而能够明确表示基于群体的传播路径 [7]、[8]、[9]。最近的理论研究进一步表明，更高阶结构可以从根本上重塑传播阈值、传播模式和可控性属性 [10]、[11]。这些发现表明，必须在更高阶拓扑下重新考虑源检测问题。

**动机**
受到这一观点的启发，一些近期工作将源检测扩展到了超图环境中。HDMPN 研究了超图动态下的单源检测，SourceDetMamba 考虑了顺序超图，而 HyperDet 则在完整观测数据下推进了多源检测 [12]、[13]、[14]。尽管有这些发展，但在超图中准确识别多个源仍然存在本质困难。这一挑战源于更高阶扩散动态与现有表示学习机制之间的根本矛盾。最近的研究表明，基于学习的模型可以通过自适应表示学习有效捕捉复杂的非线性交互和关系依赖性 [15]、[16]、[17]、[18]。然而，超图中的源检测提出了一些额外挑战，因为目标不仅是建模更高阶结构，还要保留区分真实源和周围节点的微妙扩散痕迹。超图传播表现出固有的多尺度行为，其中局部群体感染与群体间传播共存。但是，通过堆叠卷积层来扩大感受野通常会导致特征过度同质化，从而侵蚀真实源的独特特征。同时，超边内的均匀聚合忽视了群体内部的异质性，模糊了结构关键节点的差异化影响。因此，当前方法难以同时保持源的可区分性和捕捉全局更高阶依赖性。这一基本困境在图 1 中进行了可视化概念化。给定一个超图多源扩散快照（图 1(a)），目标是在复杂的、重叠的群体交互中精确定位初始传播者。当使用具有固定尺度邻域聚合的传统超图神经网络时（图 1(b)），扩大感受野以捕捉长距离传播不可避免地会混合节点表示。这种均匀聚合导致严重的特征同质化，通常称为过度平滑，这会侵蚀真实源的独特信号，使它们与其受感染的邻居无法区分。此外，平等对待超边内的所有节点无法捕捉个别传播者的异质性影响。

**为克服这些限制，如图 1(c) 所示，我们提出了自适应多尺度超图神经网络（AMHNN），这是一个为完整超图观测下的精确多源检测量身定制的端到端框架。** AMHNN 不依赖于更深层次的架构来近似长距离传播，而是明确编码多阶拓扑先验来捕捉跨尺度扩散相关性，同时保持表示的结构稀疏性。引入了一种通道级的自适应门控机制，动态调节自信息保留和邻域聚合之间的权衡，减轻过度平滑并保留对源敏感的特征。此外，一个局部的多头注意力模块模拟了超边内的异质性，使超图能够区分集体交互中的有影响力的核心节点和外围参与者。

**本文的主要贡献有三个方面。** 首先，我们建立了一个统一的自适应多尺度框架，用于超图源检测，该框架将更高阶结构建模与可学习的门控和注意力机制相结合。其次，我们开发了一个用于超图源定位的自适应传播层，将多阶超图传播与自信息与传播信息之间的自适应融合机制相结合。这种设计在不需要依赖更深层次卷积堆叠的情况下扩展了有效感受野，同时保留了在更高阶信息聚合过程中可能被削弱的源相关信号。第三，针对合成和实证超图进行的广泛实验表明，AMHNN 一致优于现有的最先进基线，为更高阶传播动态下的多源检测设定了新的性能基准。

**本文的其余部分组织如下。** 第 2 节回顾了相关研究。第 3 节阐述了问题并介绍了更高阶传播模型。第 4 节介绍了 AMHNN 架构。第 5 节报告了实验结果和分析。第 6 节对本文进行了总结。

**相关工作**
我们调查了关于源检测的代表性研究，这些研究可以大致分为两个主要流派：基于网络拓扑和扩散动态的方法，以及由深度学习框架驱动的更现代方法。

**初步**
在本节中，我们介绍了超图的基本定义，并介绍了三种代表性的更高阶传播模型，即基于超图的 SI（易感者-感染者）、IC（独立级联）和 LT（线性阈值）模型，这些模型明确捕捉了超出成对连接的群体层面交互。

**方法**
我们介绍了 AMHNN 的整体框架，该框架分为三个主要阶段。首先，输入阶段执行超图结构增强和特征生成，从观测到的快照中提取有信息量的结构和状态表示。其次，核心的自适应多尺度超图神经网络将自适应多尺度传播层与局部超边注意力集成到超图卷积操作中，有效建模复杂...

**实验**
我们详细介绍了实验设置，包括基线方法、数据集、评估指标和传播动态的实现。进行了广泛的实验，将所提出的方法与代表性竞争方法进行比较，随后进行了消融研究和参数敏感性分析，以评估其有效性和鲁棒性。为了生成传播数据，随机选择了 5% 的节点作为初始感染源。对于所有三种传播模型...

**结论**
我们提出了 AMHNN，一个用于超图中多源检测的自适应多尺度超图神经网络框架。通过直接操作超图结构而不是成对投影，AMHNN 保留了在传统基于图的公式中经常丢失的固有群体层面依赖性。所提出的架构集成了三种互补机制：超图结构增强方案以提高泛化能力，自适应多尺度传播...

**CRediT 作者贡献声明**
张成军：撰写——原始草稿、可视化、方法论、形式分析、概念化。
乔科：撰写——审阅与编辑、验证、概念化。
苗禾：撰写——审阅与编辑、资源、概念化。
刘创：撰写——审阅与编辑、验证、监督、资金获取、概念化。
詹秀秀：撰写——审阅与编辑、验证、监督、资源、资金获取、概念化。
孙向国：撰写——审阅与编辑...

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

**致谢**
本工作得到了 XPCC 的关键科技项目（2025AA018）、中国国家自然科学基金（资助编号 62473123）和浙江省教育厅科学研究经费（Y202558115）的支持。

张成军 | 乔科 | 苗禾 | 刘创 | ?詹秀秀 | 孙向国