一、研究问题二、研究方法左边 GASC 模型右边ANC 指标网络脆弱性评价1、什么是网络瓦解任务回顾我们用模型算出节点删除顺序按顺序删掉节点网络最大连通块会不断变小。最大连通子图网络里最大的那一块互相连通的节点集合。比如电网最大连通子图就是还能正常连通供电的那部分。删关键节点这个大块就会快速碎掉。2、ANC 指标公式符号解释N网络全部节点总数Q移除节点的比例横坐标0~1Q0 一个节点都没删Q0.3 就是删掉 30% 节点S原始完整网络最大连通子图大小没删任何节点S(Q)删掉比例 Q 的节点之后剩下网络的最大连通子图的大小纵坐标代表网络剩余完好部分占原始网络的比例。值越小说明网络被破坏得越惨。ANC 本质含义就是图 3 黑色曲线下方的面积做平均。曲线越高同样删掉一部分节点网络还保留很大一块网络结实不容易摧毁ANC 数值大脆弱性低。曲线掉得越快越低删掉很少节点网络就碎掉网络很脆弱ANC 数值小脆弱性高。✅一句话记住ANC 越小 → 瓦解效果越好。 我们模型 GASC 的目标输出一套节点删除顺序让 ANC 尽可能小只用删掉少量节点就能把网络打崩。3、看图 3 曲线图X 轴 Q删掉节点占总节点的比例从 0 到 10%→100%Y 轴\(\frac{S(Q)}{S}\)剩余最大连通子图占原来网络的比例1 代表完整0 代表完全碎掉。曲线走势Q0没有删节点Y1网络完好。Q 慢慢增大不断删除模型挑选出来的关键节点Y 快速下跌。Q≈0.4‑0.5 附近Y 几乎降到 0说明只需要删除不到一半节点整个网络就彻底瓦解破碎。ANC 就是这条黑色曲线下面的平均面积。Step1计算节点特征输入原始网络先给每个节点算手工特征比如度中心性这个节点连了多少邻居介数中心性很多最短路径都要经过这个节点它是交通枢纽把这些统计值做成每个节点的数字向量Node feature 节点特征。Step2GAT 图注意力网络提取图特征把【原始网络结构 刚刚算好的节点特征】喂进GAT图注意力网络。GAT layer‑N 就是多层图注意力网络图里画了多头注意力head‑1~head‑4。多头注意力每个头从不同角度看邻居节点有多重要之后把多个头结果拼接Concatenate经过 Dropout、Relu 激活函数输出网络学习到的节点表示。GAT 的作用不只看节点自己的特征还看邻居、整个网络拓扑结构学习节点在网络里的地位。Step3残差融合两条支路相加这里做了残差连接一条支路GAT 网络学习出来的节点表示另一条支路原始节点特征直接过全连接层Fully connected layer做变换两者相加融合得到「节点潜在特征」。残差的好处防止深度学习训练梯度消失保留原始手工特征信息不要全部被 GAT 覆盖掉。Elu 是激活函数做非线性变换。Step4MLP 打分输出节点删除顺序把融合后的节点潜在特征送入MLP 多层感知机全连接层→隐藏层→输出层→Elu 激活输出Node score瓦解分数每个节点得到一个分数分数越高删掉它对网络破坏越大把所有节点按分数从高到低排序这就是节点移除顺序。按这个顺序删节点最终得到瓦解后的破碎网络 Dismantling network。看图 2 模型框图从左到右捋一遍最左下角Input network输入网络 → 算出Node feature节点特征往上送入多层 GATGAT layer‑1 到 GAT layer‑N多头注意力 head得到 GAT 输出一条旁路原始节点特征走全连接层和 GAT 输出相加融合残差融合好的特征送入右侧 MLP 模块MLP 输出每个节点Node score分数右下角得到瓦解后的网络红色就是优先要移除的高分节点。关键点总结任务网络瓦解找最关键节点删除顺序模型名字 GASC无监督深度学习方法两大模块GAT 图注意力网络学拓扑信息 残差保留原始节点特征 MLP 打分输出每个节点瓦解分数分数越高越优先删掉。背景GASC 模型是无监督学习没有现成标准答案标签告诉我们 “哪个节点就该删掉”所以要自己设计损失函数指导模型更新参数。 任务目标尽量少删节点把网络拆成很多很小的碎片子网,同时用损失函数就是用来训练更新 GASC 模型让模型输出的瓦解分数尽量优秀训练完得到分数再用 ANC 去测试评判效果。总损失两个损失项起到互相制衡的作用。符号先搞懂网络全部节点集合节点x的直接邻居一跳邻居和 x 直接相连的点模型输出的节点 y 的瓦解分数。分数越高代表模型认为这个节点越重要越应该优先移除。Loss1鼓励断开邻居之间的连接把网络撕碎是连乘符号对 x 的每一个邻居 y计算 \全部乘在一起。如果邻居y瓦解分数很大y 是高优先级删除点这个值就会变得很小。 Loss1 的作用 如果节点x周围很多邻居都拥有很高瓦解分数会被优先删掉连乘出来结果就很小Loss1 就会变小。Loss1 越小代表很多相邻节点被标记为要删除网络边大量断开网络更容易被撕裂成碎片。Loss1 希望关键枢纽节点打分拉高破坏网络连通性。Loss2惩罚所有节点打分都很高控制少删节点)把所有节点的瓦解分数全部加起来。 Loss2 的作用 如果模型给几乎全部节点都打很高分数想把所有节点全删掉求和之后 Loss2 就会变得非常大。 训练的时候模型要降低 Loss就会主动抑制不能随便给大量节点高分。Loss2 是约束不能无脑标记一大堆节点删除要尽量用少的高分节点完成瓦解。两个损失互相博弈核心Loss1 想尽量拉高枢纽节点分数把网络撕碎Loss2 想压低整体分数限制删除节点数量不能删一大堆点。训练的时候模型不断调参寻找平衡点只用少数关键节点打高分其余节点分数压低。少数高分节点删掉就能撕碎网络同时整体分数总和不会太大。完美契合网络瓦解任务移除尽可能少节点实现网络破碎。补充小疑问为什么不用标签网络瓦解任务每个网络没有唯一标准答案哪些节点最优没有固定标签所以只能用无监督自己构造损失函数不需要人工标注。与前文联系前向传播模型推理输入网络 → GAT 提取拓扑特征 残差融合 → MLP输出每个节点瓦解分数。 这一步是模型算出结果但刚初始化的模型参数是随机的输出分数毫无意义。反向训练本损失函数训练阶段拿到模型输出的分数代入计算损失值。Loss1希望枢纽节点分数高把网络撕碎Loss2约束不要一大堆节点都高分少删节点 模型根据 Loss 大小反向更新 GAT、MLP 里面所有权重参数。 反复迭代损失不断下降模型学到怎么输出合理的瓦解分数。✔ 模型框图回答模型长什么样输出什么✔ 损失函数回答凭什么更新模型参数该往哪个方向学无监督没有标签训练完成后测试评估 ANC 指标训练收敛完毕模型固定。 ① 模型输出每个节点瓦解分数按分数从高到低排序得到节点移除顺序 ② 按这个顺序逐步删除节点 ③ 计算 ANC 指标衡量这套删除序列瓦解效果。ANC 是测试集上的评价指标只看效果不参与训练更新模型。三者逻辑关系总结GASC 模型结构是 “工具”负责产出节点瓦解分数。Loss 损失函数是 “训练的指挥棒”指导工具该怎么调参数让输出的分数符合网络瓦解任务目标少删点、撕碎网络。无监督不需要标准答案标签。ANC 指标是 “考试打分卷”训练结束后用来检验工具输出的分数到底好不好。⚠重点区分损失函数 Loss 用于训练阶段更新网络权重ANC 用于测试阶段评估效果不参与训练。 Loss 在训练时不断下降ANC 是测试集上的性能指标二者不是同一个东西。裁剪目标网络生成数据集实目标网络比如全球班轮航运网络一共 907 个节点。问题真实大网络样本很少就 1 张网络。深度学习训练需要大量不同网络样本只用这一个网络训练模型会过拟合模型学不好。解决办法从这个真实大网络身上批量生成很多小的虚拟网络当做训练集。生成出来的小网络要保留原网络最重要统计特征度分布 P (k)。度分布 P (k)网络里节点度数的分布。比如多少个节点连 2 条边多少节点连 100 条边代表网络的结构特点。生成的小网络要和原始网络度分布风格保持一致。三步流程拆解Step1计算目标网络的度分布 \(P(k)\)拿原始真实网络907 个节点航运网络统计每个节点的度数算出度分布\(P(k)\)。P(k)含义随机挑一个节点它度数等于 k 的概率。记录原网络 “什么样的节点多、什么样节点少” 这个结构特征。Step2轮盘赌采样度序列轮盘赌采样按照P(k)的概率去抽取度数。 原始网络里度数为 k 的节点越多采样抽到度数 k 的概率就越大。 反复采样得到一组数字序列 ——度序列比如 [5,12,2,7 …]代表新网络 50 个节点每个节点希望拥有多少条边。Step3配置模型 CM 生成虚拟小网络采样出来的度序列不能直接用需要微调保证可以合法构建网络。 把处理好的度序列输入配置模型 Configuration Model (CM)。 CM 就会生成一张虚拟小网络图 5 例子 50 个节点。配置模型 CM 内部怎么输出虚拟网络拿到合法度序列之后CM 算法流程每个节点生成对应数量的 “桩stub半边” 例节点度数 3就生成 3 根半边。把全部所有半边全部扔进一个大池子。在池子里随机两两配对半边每配对成功一对就生成一条网络边。配对结束就生成一张网络。⚠注意CM 允许出现自环节点自己连自己、重边两个节点之间多条边。论文这里会做后处理剔除自环、重复边得到正常简单网络。输出结果一张虚拟小网络节点数少但是度分布和原始真实网络接近。 反复采样 CM就可以生成一大堆小网络构成训练数据集。这个小网络节点数量变少但是度分布和原始大网络很像结构风格接近真实网络。反复执行整套流程就可以生成一大批虚拟小网络构成训练数据集。图 4原始真实大网络 907 节点图 5裁剪生成的虚拟小网络 50 节点。关键点区分✅训练集大量 CM 生成的虚拟小网络用来训练模型参数。✅测试集原始真实大网络训练完之后拿来测试计算 ANC 看性能。两张度分布图图 6、图 7通俗解读横轴 k节点的度数一个节点连多少条边纵轴 P(k)出现该度数节点的概率 两张都是双对数坐标图坐标轴是指数刻度专门看无标度 / 重尾的度分布。图 6原始全球班轮航运网络907 个节点原始真实航运网络节点代表港口边代表班轮航线。点整体趋势k 小的时候 P (k) 高k 变大P (k) 逐步下降。 含义大部分港口度数低航线少少数港口度数很高枢纽大港航线极多。这就是 PPT 写的强异质性节点差异巨大少数超级枢纽大量普通小节点。图 7裁剪生成的虚拟小网络50 个节点这个小网络是前面讲的原始网络度分布→轮盘赌采样→微调度序列→配置模型 CM 生成出来的。节点总数只有 50样本少点数量比左边少很多整体下降趋势和左边图 6 保持一致度数 k 小的节点概率高k 变大概率下降。⚠不是点位置一模一样因为小网络节点少会有随机波动。重点是整体分布形态、变化趋势相似。PPT 这句话“我们裁剪的小网络与目标网络具有相似的度分布” 是什么意义我们训练集是这些 50 节点虚拟小网络测试是原始 907 节点真实航运网络。只有度分布相似虚拟小网络才可以模仿真实网络的结构特点同样存在少数枢纽节点。模型在这种虚拟网络上学到 “识别枢纽节点” 的能力迁移到真实航运网络上才会有效。如果生成出来的小网络度分布完全不一样训练出来的模型就不适用真实网络效果直接崩盘。两张图对比小结图 6真实大网络的度分布真实的港口网络大量普通节点、少数大枢纽。图 7CM 生成的虚拟小网络规模小但复刻了原图的分布趋势作为训练样本。三、研究结果虚拟合成网络柱状图解读回顾关键知识点ANC 指标数值越小网络瓦解效果越好。纵轴ANC横轴不同算法紫色柱子就是本文方法GASC‑BA误差棒代表多次实验的波动。 三组子图 (a)(b)(c) 分别是50 节点、100 节点、500 节点的 BA 无标度虚拟网络。各个对比方法Random随机删除节点基准灰色柱子ANC 最高效果最差DC、BC、BI、DI、GDM、DCRS其他已有的经典网络瓦解对比算法GASC‑BA本文提出的方法紫色看图现象灰色 Random 柱子在三张图里全部最高随机删节点瓦解效果最差作为 baseline。其余传统方法 ANC 依次降低紫色 GASC‑BA 柱子在 (a)(b)(c) 三张图中都是所有方法里面高度最低的也就是 ANC 最小。50、100、500 三种不同规模虚拟网络上这个结论都成立。BA 网络本身就是典型异质性网络少数高度数枢纽大量小度数节点和前面航运网络度分布特征类似。图表结论在虚拟合成 BA 网络上不管网络是 50、100 还是 500 节点本文 GASC‑BA 得到的 ANC 最小瓦解性能优于其余对比算法证明算法在虚拟网络上是有效的。和整篇论文流程的关联前面用配置模型生成大量虚拟网络做训练集本图在另外一批测试用虚拟 BA 网络上做测试和多种传统算法横向对比验证模型不只在训练集有效在不同规模虚拟网络上也有优势后面还会再放到真实航运网络上做真实场景实验。真实网络实验结果图 9 解读再次记住核心ANC 越小网络瓦解效果越好。 纵轴依旧是 ANC一共 8 张子图 (a)~(h)代表8 个不同的真实现实网络航运网络、交通路网、机场航空网络等。图例新增GASC‑BA紫色在 BA 虚拟网络上训练得到的模型GASC‑CM红色就是论文完整方案在配置模型 CM 裁剪生成的虚拟小网络上训练就是前面讲的数据集生成那一套流程 其余Random、DC、BC、BI、DI、GDM、DCRS是传统对比算法。看图关键现象灰色 Random随机删节点大多数子图里柱子偏高作为最差基线。在 8 个不同真实网络航运、道路、机场、交通等上 ✅红色 GASC‑CM本文完整方案绝大多数子图都是柱子最低ANC 最小瓦解效果最优。 ✅紫色 GASC‑BA 效果次之也优于大部分传统算法。GASC‑CM GASC‑BA 其他传统算法 Random 随机删除。8 种完全不一样的真实网络数据集都取得不错结果说明鲁棒性强不是只适合某一类网络。文字两点含义“小规模虚拟网络训练泛化到真实网络”训练的时候我们没有拿真实大网络训练只用 CM 生成的小规模虚拟小网络训练模型训练完直接丢给完全没见过的真实世界网络做测试依然取得最好性能。证明模型具备很好的泛化迁移能力。 这正好对应前面 PPT为什么要做配置模型裁剪生成数据集。真实大网络样本稀缺我们用虚拟样本训练也能搞定真实网络。“优于现有先进方法较强鲁棒性”在 8 个结构各不相同的真实网络上反复验证效果稳定占优不是单一样本偶然好。和整篇论文完整链路闭环数据集构建原始真实网络提取度分布轮盘赌采样 配置模型 CM 生成大量虚拟小网络训练集模型 GASCGAT 残差 MLP 输出瓦解分数无监督损失 Loss1Loss2训练更新模型参数虚拟网络测试图 8在 BA 合成虚拟网络验证效果真实网络测试图 98 个现实网络测试GASC‑CM 效果最好证明可以从虚拟网络泛化到真实场景消融实验解读消融实验拿掉模型中某一个关键模块对比性能证明这个模块是有用的。GASC‑BA完整模型带有 shortcut connections残差捷径连接红色线、紫色柱GASC(-SC)-BA去掉 shortcut 捷径连接的版本黑色线、灰色柱shortcut connections残差捷径连接通俗解释shortcut connections中文叫捷径连接 / 残差连接就是 Resnet 里面的 skip‑connection跳层连接。简单原理普通图神经网络输入 → 第 1 层卷积 → 第 2 层卷积 → 第 3 层卷积 → 输出 每一层都必须经过网络做变换。网络层数一多反向传播更新参数的时候梯度会越乘越小几乎变成 0也就是梯度消失。 梯度消失后果模型学不动损失降不下去效果很差。加上 shortcut 捷径连接之后输入 →【一条路正常过网络层做变换】↳【另一条捷径路直接原封不动跳过去不经过变换】 两条路结果相加再输出。也就是一部分信息不经过中间层直接跳传到后面层。放到你论文模型里的作用梯度可以顺着这条 “捷径” 直接回传不会被多层反复相乘越变越小缓解梯度消失看消融实验图 10去掉 shortcut黑色损失居高不下训练学不好打开 shortcut红色损失顺利降得很低对应图 11去掉捷径之后真实网络 ANC 指标变差网络瓦解任务性能下降。 证明这个 shortcut 模块是模型性能的关键。其实就是之前的残差融合图 10训练 Loss 损失曲线横轴 Epoch训练轮次纵轴 Loss Value损失函数数值loss 越低训练效果越好。红色带 shortcutloss 下降更低收敛到更小的损失值。黑色去掉 shortcutloss 下降差最终损失明显高于红色。现象去掉 shortcut 之后损失降不下去出现梯度消失问题加入 shortcut 残差连接损失可以有效降低模型训练更充分。图 11真实网络 ANC 柱状对比a)(b记住ANC 越小瓦解效果越好。 每一组柱子灰色 去掉 shortcut紫色 带 shortcut 完整模型。 可以看到在 8 个真实网络上紫色 GASC‑BA 的 ANC 普遍略低于灰色 GASC (-SC)-BA。去掉 shortcut 之后性能变差保留 shortcut泛化性能更好。PPT 文字含义对比损失下降曲线和真实网络泛化性能GASC‑BA 优于去掉 shortcut 的 GASC (-SC)-BA。证明shortcut 捷径连接机制有效缓解了模型梯度消失问题提升训练效果与泛化能力。简单理解如果没有 shortcut图神经网络层数加深后会发生梯度消失参数很难更新损失降不下来最终实际测试效果变差。 加入 shortcut 残差连接解决梯度消失损失降得更低真实网络上瓦解性能更好证明这个模块不可或缺。和全文关系前面所有实验用的 GASC‑CM / GASC‑BA都是带 shortcut 捷径连接的完整版本消融实验专门验证这个组件的必要性。四、总结五、后续工作时序网络两种表示方式解读时序网络网络的边不是一直存在会随时间出现、消失拓扑结构随时间发生变化。 图一共 5 个节点时间步 T4拆成 4 个时间快照。图 (a) 聚合静态图 G把全部时间段所有出现过的边全部合并在一起忽略时间信息得到一张静态图。只要某条边在任意时刻出现过聚合图里就保留这条边。缺点丢掉时间顺序信息看不出哪条边什么时候存在看不到网络动态变化。图 (b) 快照表示最常用时序网络表示把时间切成一段一段每一个时间窗口拍一张网络快照时刻 1 的网络状态时刻 2 的网络状态时刻 3 的网络状态时刻 4 的网络状态。每个快照是一张普通静态图边只代表这个时间步此刻存在的连接。 可以清晰看到边随时间的增减存在边 (1‑2)、(4‑5)节点 3 孤立边 (1‑2) 消失新增边 (2‑3)(4‑5) 保留多条边同时出现接近聚合图形态很多边消失只剩下 (3‑4)、(4‑5)快照序列完整记录网络随时间演化。两者对比聚合静态图 G所有时间边合并简单但丢失时间动态。适合传统静态图模型看不到时序变化。快照序列保留时间维度每一时刻网络拓扑分开时序图神经网络大多基于快照序列做输入。识别时序网络可观测时间段内的关键节点利用历史的结构、功能特征预测未来时刻的关键节点。时序网络 TG 数学定义时序网络 TG 是一组有序快照序列T总的时间跨度每个快照的时间间隔时间窗口快照总数量普通快照t时刻快照里的节点集合t时刻快照里的边集合 对应时间区间。 只记录节点、边是否存在没有边的权重信息。加权快照本文提出改进在普通快照基础上增加——边权重矩阵。目的更精准刻画时序网络节点和邻居之间交互强弱。 普通快照只知道 “边有没有”加权快照还记录这条边交互的频次 / 强度。看图对比(a) 普通快照只画边不带权值(b) 加权快照边上标数字2、1 等代表这条边的权重。和前面静态瓦解任务的区别你前面整套 GASC 论文静态网络给一张完整图输出节点攻击移除顺序。这篇是时序网络关键节点预测给历史一段时序快照预测未来哪些节点是关键节点还提出加权快照给边增加权重刻画交互强度。利用深度学习得到对应的回归模型来预测未来该节点的重要性分数DGCN 动态图卷积网络框架解读论文目标时序网络预测未来时刻传播能力强的关键节点。 核心思想GCN (CNN) 提取每一快照的图结构特征 LSTM 捕捉时序演化特征两部分拼接完成预测。整体架构左侧图输入连续的s个历史加权快照加权快照输入层每一时刻的时序网络快照带边权重Node Neighborhood 节点邻域取出每个节点的局部邻域子图Feature Matrix 特征矩阵把邻域转为矩阵表示包含加权度、邻接权重CNNs图卷积等价 GCN每个时间快照独立做图卷积把图结构信息压缩成该时刻节点嵌入。每一张快照跑一次 CNN/GCN得到该时间步每个节点的结构向量。LSTM Layer把同一个节点连续s个历史时刻的嵌入序列送入 LSTM学习时序演化规律Output 输出输出下一时刻该节点的预测分数分数越高代表越可能是关键节点。也就是将每一时刻的图放到CNN中学习得到对应的特征 再利用LSTM长序列时间预测得到后续的时间的特征相关内容右侧 Algorithm1 伪代码流程输入时序网络 TG邻域大小 k输入快照数量 s待预测时间戳l输出时间l所有节点预测分数随机初始化参数遍历历史s个时间步观测窗口对每个节点u计算加权度结合边权重构造节点u的局部特征矩阵融合邻接矩阵与加权度信息通过 CNN图卷积得到该时刻节点嵌入拿到每个节点历史s个时间步的嵌入序列送入 LSTM得到待预测时刻l节点的关键程度分数。模块分工CNN/GCN抓空间结构每张快照内部节点、邻居、边权重带来的结构特征LSTM抓时间演化同一个节点随时间如何变化历史状态如何影响未来。和你之前静态 GASC 模型对比 GASC只有图卷积输入单张静态图输出攻击排序 DGCNGCNLSTM 组合输入一长串时序快照预测未来时间点的节点重要性。关键符号小记s输入历史快照的数量看多久的历史l要预测的未来时间步t 时刻节点 u 的加权度考虑边交互权重t 时刻节点 u 的结构嵌入向量。DGCN 训练与预测流程解读这一页讲两件事标签怎么生成、模型训练预测流程。1、什么是标签做深度学习模型要学习就得有标准答案标签。DGCN 论文数据集本身没有直接给出 “哪个节点是关键节点”没有现成标准答案。 所以需要自己算出来标准答案这个计算工具就是加权 SIR 仿真。2、加权 SIR 通俗理解SIR 是传染病传播仿真模型S易感没被感染I被感染R康复。放到时序快照\(G_t\)这张网络上做实验挑一个节点 u把它当做传染源一开始只有 u 被感染在这个时序网络上让疫情跑 x 个时间步最后数一数一共有多少节点被感染过 康复了这个总数就是。越大从 u 出发能传染到更多节点u 就是关键节点。越小u 几乎传不开不重要。这个数字就是给模型看的标准答案labels 标签。 模型要做的看历史网络学着猜出这个数。加权 SIR因为网络边有权重传播概率跟着边权重变化不是普通 SIR。1. 标签加权 SIR 传播模型标签不是现成数据是仿真算出来的用来代表节点真实重要性。使用加权 SIR 传播模型在时序快照上做传播仿真把节点u设为初始感染源传播x个时间步之后统计感染 康复节点总数量。这个数值越大说明节点u传播能力越强、越关键这个值就作为模型训练的真实标签labels。对比你之前静态 GASC 论文 GASC 用顺序移除攻击得到 LCC衡量节点重要度 DGCN 这篇用加权 SIR 传播仿真得到节点传播规模作为标签。2. 训练 预测逻辑左侧流程图任务用历史快照预测未来时刻节点重要性输入特征 features历史时序快照也就是t时刻之前全部历史网络labels 标签时刻通过加权 SIR 仿真得到各节点真实传播能力送入 DGCN 模型输出 predictions模型预测出来的节点重要性分数contrast对比损失把预测分数和 SIR 仿真出来真实标签做对比计算损失反向传播更新网络参数。时间滑动窗口逻辑时间轴上不断滑动 拿前面一段历史快照做特征后面一个时间步 SIR 仿真结果当标签反复迭代训练 DGCN。 训练完成后给模型输入新的历史快照序列就可以预测未来时刻节点的重要程度。关键点总结✅标签来源加权 SIR 仿真不是数据集自带标签✅输入历史若干时序快照✅输出下一时刻每个节点传播能力分数✅训练范式时间序列预测历史预测未来。