arXiv cs.AI· Tianrui Mao, Abele Malan, Megha Khosla, Lydia Chen, Huijuan Wang·· 9 天前AI 评分21
从网络科学视角评估深度图生成模型
A Network Science Perspective on Evaluating Deep Graph Generative Models
AI 导读
研究从网络科学视角评估深度图生成模型与配置模型，比较生成网络与真实网络的拓扑相似性，以及它们在识别有效节点免疫策略以抑制疫情或错误信息传播上的实用性。结果显示，两个深度图生成模型生成的合成网络与真实网络的结构属性高度接近，能够识别出有效的免疫策略。
正文 · AI 翻译
摘要：网络科学中的传统网络模型，如 Erdos-Renyi 模型和配置模型，生成的随机网络只能再现真实世界网络中观察到的少数选定拓扑性质。深度图生成模型作为一种数据驱动方法应运而生，它利用深度神经网络架构直接从真实世界网络中学习复杂的结构分布，从而生成更逼真的合成网络。由于真实的社交接触网络因隐私风险而无法共享，合成网络便成为开发和评估流行病缓解策略的替代方案。在本工作中，我们从网络科学的视角评估深度图生成模型以及配置模型，既评估生成网络与真实世界网络之间的拓扑相似性，也评估它们在识别有效节点免疫策略以抑制流行病/错误信息传播方面的效用。研究发现，两种深度图生成模型生成的合成网络与真实世界网络的结构性质高度相似，使其能够识别出有效的免疫策略。
| 主题： | 社会与信息网络（cs.SI）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.01015 [cs.SI] |
| （或 arXiv:2609.01015v2 [cs.SI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.01015 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Tianrui Mao [查看电子邮件]
[v1]
2026年9月1日星期二 10:06:13 UTC（3,897 KB）
[v2]
2026年10月8日星期四 14:45:50 UTC（10,180 KB）
来源：arXiv cs.AI · arxiv.org