使用图函数和神经逆算子的复杂网络生成模型

arXiv:2610.02439v1 公告类型：新 摘要：生成式图模型对于理解和模拟复杂网络至关重要。然而，现有方法各有互补的优势与局限。机制模型具有可解释性，但依赖针对具体实例的估计方法。另一方面，深度生成模型能够提供摊销推断，却牺牲了可解释性，并且在很大程度上局限于训练期间见过的图规模。科学应用促使我们构建一种能够保留这两种范式优势的框架。我们通过在函数空间中同时表述生成模型和参数恢复，将二者连接起来。多重分形阶梯图函数通过递归构造扩展了标准阶梯图函数，从而能够以紧凑方式对复杂网络进行参数化。该表述允许引入神经逆算子来恢复其参数，进而实现对未见过的图规模进行推断。我们仅使用合成的多重分形阶梯图函数实现进行训练，并将模型与这两种范式进行比较。在零样本图生成基准测试中，与基于经验网络预训练的图基础模型相比，我们的方法在四项指标中的三项上取得了最佳平均性能，表明该模型能够迁移到现实世界的图。我们还将该方法应用于单观测网络；对于要求训练语料、因而在很大程度上无法处理这一场景的深度模型而言，这是一个难以应对的设定。在该任务中，我们的方法表现得与一种针对具体实例、在每个图上进行优化的方法相当。在一项多被试 EEG 案例研究中，推断出的参数比传统网络统计量更敏感地追踪了脑状态的可逆变化。总体而言，这些结果表明，在生成式图模型中可以有效统一机制可解释性与摊销推断，从而增进我们对复杂网络的理解。