고차 지식 기반 네트워크 제어 가능성 강건성 예측: 하이퍼 그래프 신경망 접근 방식

High-order Knowledge Based Network Controllability Robustness Prediction: A Hypergraph Neural Network Approach

최근 몇 년 동안 네트워크 제어 가능성 강건성(Network Controllability Robustness, NCR)은 다양한 유형의 공격에 대한 네트워크의 안정성을 평가하고 잠재적인 성능 향상 및 제어 능력 유지를 위한 지침을 제공한다는 점에서 많은 관심을 받고 있습니다. 전통적으로 제어 가능성 강건성은 공격 시뮬레이션을 통해 결정되지만, 이는 계산 시간이 오래 걸리고 소규모 네트워크에만 적용 가능합니다. 일부 기계 학습 기반의 네트워크 제어 가능성 강건성 예측 방법이 제안되었지만, 이러한 방법들은 주로 복잡한 네트워크에서 발생하는 쌍방향 상호작용에 초점을 맞추고 있으며, 고차 구조 정보와 제어 가능성 강건성 간의 근본적인 관계는 충분히 탐구되지 않았습니다. 본 논문에서는 고차 지식을 기반으로 하는 이중 하이퍼 그래프 어텐션 신경망 모델(NCR-HoK)을 제안하여 강건성 학습 및 제어 가능성 강건성 곡선 예측을 수행합니다. 제안된 방법은 노드 특징 인코더, 고차 관계를 활용한 하이퍼 그래프 구성, 그리고 특수하게 설계된 이중 하이퍼 그래프 어텐션 모듈을 통해 원래 그래프의 명시적인 구조 정보, 로컬 영역 내의 고차 연결 정보, 그리고 임베딩 공간 내의 숨겨진 특징을 동시에 효과적으로 학습합니다. 특히, 본 연구에서는 처음으로 고차 지식이 네트워크 제어 가능성 강건성에 미치는 영향을 탐구합니다. 제안된 방법은 최첨단 네트워크 강건성 학습 방법과 비교하여 합성 데이터 및 실제 네트워크에서 모두 우수한 성능을 보이며, 계산 비용 또한 낮습니다.

In order to evaluate the invulnerability of networks against various types of attacks and provide guidance for potential performance enhancement as well as controllability maintenance, network controllability robustness (NCR) has attracted increasing attention in recent years. Traditionally, controllability robustness is determined by attack simulations, which are computationally time-consuming and only applicable to small-scale networks. Although some machine learning-based methods for predicting network controllability robustness have been proposed, they mainly focus on pairwise interactions in complex networks, and the underlying relationships between high-order structural information and controllability robustness have not been explored. In this paper, a dual hypergraph attention neural network model based on high-order knowledge (NCR-HoK) is proposed to accomplish robustness learning and controllability robustness curve prediction. Through a node feature encoder, hypergraph construction with high-order relations, and a dedicated dual hypergraph attention module, the proposed method can effectively learn three types of network information simultaneously: explicit structural information in the original graph, high-order connection information in local neighborhoods, and hidden features in the embedding space. Notably, we explore for the first time the impact of high-order knowledge on network controllability robustness. Compared with state-of-the-art methods for network robustness learning, the proposed method achieves superior performance on both synthetic and real-world networks with low computational overhead.