近日，北京化工大学信息科学与技术学院谷伟伟副教授在人工智能领域顶级期刊《Nature Machine Intelligence》（Nat. Mach. Intell.）发表题为“Deep-learning-aided dismantling of interdependent networks”的最新研究成果。本研究开创性地提出一种融合图神经网络与深度强化学习的多层网络关键节点识别算法，填补了当前复杂系统智能瓦解与防护领域的技术空白。

面对疫情防控、关键基础设施保护、交通电网安全甚至现代战争中的网络攻防转换等现实挑战，如何快速识别并拆除多层互依网络中的“关键节点”是网络科学中的核心难题。然而，传统算法普遍依赖中心性启发式规则，难以刻画层间复杂耦合关系，拆除效率低、泛化能力弱，无法适应现实网络的动态复杂结构。

研究团队提出了一种名为 “MultiDismantler”的多层网络瓦解算法，其整体架构如图一所示。该算法首次将多层网络的表征学习方法与几何多重网络模型（Geometric Multiplex Model）及深度Q网络（Deep Q-Network, DQN）有机结合。具体而言，MultiDismantler通过表征学习模块有效编码网络中层内与层间节点的耦合关系，并利用强化学习智能体对表征结果进行解码，从而学习出最优的瓦解策略。该方法无需人工标注或监督信号，即可自动识别对多层网络结构影响最大的关键节点，实现高效且可扩展的瓦解过程。

图-多层网络关键节点挖掘算法架构图

实验评估结果表明，MultiDismantler在九类真实多层网络及数万张仿真网络中均展现出优越性能，全面超越现有最优算法（如 EMD、FINDER 等），拆除效率提升超过 8%。在疾病传播防控、网络鲁棒性增强与抗毁性设计等关键应用场景中，该算法展现出极强的适用性与推广潜力。

论文的第一作者是信息科学与技术学院副教授谷伟伟，我校人工智能专业2020级本科生杨宸与印第安纳大学Filippo Radicchi教授为通讯作者，本科生李磊与侯晋强参与核心研究任务。北京化工大学为该论文第一完成单位。

原文链接：https://zy.buct.edu.cn/vpn/26/https/P75YPLUPMF4HK6UFF3SX85B/articles/s42256-025-01070-2

  科研团队简介   

谷伟伟，北京化工大学信息科学与技术学院副教授、硕士生导师。主持及参与国家自然科学基金、国家重点研发计划及多项企业合作项目。近五年来以第一作者在Nat. Mach. Intell.、Nat. Commun.、Neural Networks、Social Networks等期刊发表SCI论文20余篇，申请中国发明专利2项（已授权2项），长期致力于复杂网络分析、强化学习与图智能算法等前沿交叉研究。个人主页：https://lanyu617.github.io/weiweigu/

杨宸，北京化工大学信息科学与技术学院人工智能专业2020级本科生。

责编：王雨晴  梁燕亮