AutoSND: 실행 증거로부터 구조적 정책을 도출하여 자동화된 네트워크 해체 휴리스틱 발견

AutoSND: From Execution Evidence to Structural Policies for Automated Network Dismantling Heuristic Discovery

네트워크 해체는 복잡한 시스템의 견고성과 취약성을 분석하는 데 필수적이지만, 실용적인 휴리스틱은 효과와 계산 효율성의 균형을 이루어야 하며, 일반적으로 연구원들이 수동으로 설계합니다. 기존의 대규모 언어 모델 기반 자동 휴리스틱 설계 방법은 후보를 생성하고 검토할 수 있지만, 실행 과정에서 발생하는 후보 품질 또는 오류 상태를 구조 수준의 지침으로 변환하는 데 어려움을 겪습니다. 본 논문에서는 완전한 네트워크 해체 프로그램을 위한 세 단계 트리 탐색 프레임워크인 AutoSND를 제안합니다. 1단계는 간단한 휴리스틱을 사용하여 광범위하게 탐색하고 실행 증거를 저장합니다. 2단계는 후보 기록을 로컬 신호, 이웃 접근, 상태 업데이트 범위에 대한 구조적 정책으로 컴파일합니다. 3단계는 이러한 정책을 기반으로 트리 탐색을 계속하여 최종적으로 품질 우선 및 속도 우선 후보인 AutoSND-Q/S를 얻습니다. 12개의 실제 네트워크와 3개의 대규모 실제 네트워크에 대한 실험 결과, AutoSND는 더 나은 검색 성능과 안정성을 달성하며, 더욱 경쟁력 있고 구조적으로 해석 가능한 네트워크 해체 프로그램을 발견합니다. 최종 후보는 잔여 연결 수를 기반으로 하며, 제한된 로컬 신호를 사용하여 노드 순서를 조정하고 상태 업데이트 범위를 제한하는 해석 가능한 구조를 형성합니다. 코드는 다음 주소에서 제공됩니다: https://github.com/MirrorNew/AutoSND.

Network dismantling is fundamental to analyzing the robustness and vulnerability of complex systems, yet practical heuristics must balance effectiveness and computational efficiency, and are usually designed manually by researchers. Existing large language model based automatic heuristic design methods can generate and screen candidates, yet they have difficulty further transforming candidate quality or failure states during execution into structural-level guid- ance for subsequent generation. We propose AutoSND, a three stage tree search framework for complete network dismantling pro- grams. Stage I broadly explores from simple heuristics and archives execution evidence. Stage II compiles candidate records into struc- tural policies concerning local signals, neighborhood access, and state update ranges. Stage III continues tree search conditioned on these policies and obtains the final quality prioritized and speed prioritized candidates, AutoSND-Q/S. Experiments on 12 real world networks and 3 large real world networks show that AutoSND achieves better search performance and stability and discovers more competitive and structurally interpretable network disman- tling programs. The final candidates form an interpretable structure that uses residual degree as the backbone, adjusts node order with bounded local signals, and restricts the state update range. Code is available at https://github.com/MirrorNew/AutoSND.