评估有向网络和多重网络表征在食品安全监测中预测新兴污染途径方面的应用

《Scientific Reports》：Evaluating directed and multiplex network representations for prediction of emerging contamination pathways in food safety surveillance

　　

摘要

在全球化供应链中，食品安全监测仍然主要采取被动应对的方式，而基于网络的机器学习能在多大程度上使其转变为主动预防仍不明确。我们提出这样一个问题：网络分析流水线中的哪些组件能真正提升对新兴污染路径的预测能力。我们将2019至2025年间28,724条欧洲联盟食品和饲料快速预警系统通报表示为一个有向多重网络，其中边从产品的来源国指向通报国，跨越十二个危害特异性层级。由于仅有31个国家（共163个）曾发布过通报，大多数国家对在结构上是不可能存在的边；因此，若对负样本进行均匀采样，所得AUC为0.97，而一个保持度分布的零模型可精确复现该结果（\(p = 0.632\)）。在修正采样之后，有向建模相比无向处理将AUC提升了0.023（\(p = 10^{-5}\)，十组随机种子），达到0.804 ± 0.011；仅2个（共200个）重连网络达到了该值（\(p = 0.015\)）。多重分层并未带来进一步的增益（\(p = 0.487\)），图神经网络亦无显著提升（\(p = 0.059\)）。排序对在2024–2025年间实际出现的污染路径的识别中，在排名第100位时精确率为45%，而基准率为9.4%；但出度与入度的乘积也能达到同等效果。各危害层级的严重程度差异显著，从10.4%到95.2%不等。