基于表示学习与主动学习的超图关键节点识别：结构感知与动态传播优化

《Engineering Applications of Artificial Intelligence》：Structural-aware key node identification in hypergraphs via representation learning and fine-tuning

本文提出AHGA框架，通过超图神经网络（HGNN）预训练与主动学习机制，解决了高阶交互系统中关键节点识别的两大挑战：传统方法对超图结构异构性的敏感性，以及现有HGNN在排序任务上的局限性。该框架在八个真实超图数据集上实现高达36.8%的排名准确性提升，所识别节点在破坏网络效率（达0.6628）方面显著优于基线方法，为信息管控和基础设施韧性提供了新思路。

　　

亮点

本研究提出AHGA（主动超图学习框架），通过融合超图自编码器与基于分形维度的样本选择策略，实现在高阶网络中关键节点的精准识别。在涵盖科研合作网络、立法共提案数据和大规模在线社区等八个实证数据集中，AHGA均显著优于现有先进基线方法，其肯德尔τ系数平均提升8.7%，较传统中心性指标提升36.8%。此外，AHGA筛选的节点在破坏网络效率方面表现突出，移除后效率损失高达0.6628，远超对比方法。

结论

AHGA框架通过超图神经网络（HGNN）的表示学习与主动学习微调机制，突破了传统关键节点识别方法对成对交互假设的依赖，实现了对高阶结构依赖的精准捕捉。该框架不仅提升了节点排序的鲁棒性，还揭示了多功能节点在维持网络连通性与传播动力学中的协同作用。未来研究可进一步探索AHGA在生物网络（如蛋白质复合物功能预测）和公共卫生（如群体传播干预）中的跨领域应用。

贡献总结

本研究提出AHGA，一种集成超图自编码器与分形维度样本选择策略的主动学习框架，用于高阶网络中的关键节点识别。在八类实证数据集上的实验表明，AHGA在肯德尔τ系数上较传统中心性方法平均提升8.7%，较学习基线提升5.3%。其筛选的节点兼具高影响力与结构重要性，为信息扩散优化和系统韧性维护提供了方法论支持。

作者贡献声明

倪晓楠： 撰写-审阅与编辑、初稿撰写、可视化、验证、软件、方法论、研究、概念化。

梅光远： 撰写-审阅与编辑、初稿撰写、验证。

张苏苏： 撰写-审阅与编辑、验证。

陈阳： 撰写-审阅与编辑、监督。

徐欣： 撰写-审阅与编辑、监督、研究。

刘闯： 撰写-审阅与编辑、监督、研究。

詹秀秀： 撰写-审阅与编辑、监督、研究。