近来，我院王建波老师课题组在人工智能算法及网络科学领域研究中取得新进展，在《中国科学：信息科学》、《IEEE Transactions on Computational Social Systems》、《Physica A》和《Chinese Physics B》发表多篇学术论文。

硕士生蒋睿在CCF-A类TOP期刊《中国科学：信息科学》发表学术论文“基于社区划分和关键节点的高阶网络重构”。该论文针对高阶网络重构中的组合爆炸与高时间复杂度问题，提出了一种基于社区划分与关键节点识别的分阶段重构框架（HRCK）。核心创新在于：利用高阶交互的稀疏性与局部性先验，将全局重构分解为社区内局部重构与跨社区关键节点全局重构的混合策略；并设计多维权值函数，从拓扑位置、动态活跃度及模体参与性三方面精准筛选关键节点。理论分析表明，该方法显著降低了计算复杂度。在多个真实与合成高阶网络上的实验结果显示，HRCK的运行时间较现有先进方法（HOR、DSR）降低一个数量级以上，且在充足数据下的重构性能（F1-Score）全面优于对比方法，尤其适用于具有清晰社区结构的真实高阶网络。该工作为大规模高阶网络的高效重构提供了兼顾精度与可扩展性的新路径。论文链接：http://engine.scichina.com/doi/10.1360/SSI-2025-0466

图1 HRCK 框架重构高阶网络流程图.

硕士生陈家龙在国际权威SCI期刊、IEEE汇刊《IEEE Transactions on Computational Social Systems》发表论文“Detecting Social Bots via Multi-Motif Attention Fusion Network”。该论文针对现有社交机器人检测方法仅依赖低阶邻居信息、难以捕捉复杂高阶拓扑结构的根本局限，提出了一种新颖的多模体注意力融合网络（MMAFN）。核心创新包括：从原始社交图中提取多种三节点模体，显式建模高阶交互模式；设计多阶拓扑融合模块，将原始图与模体图跨尺度整合，同时保留边的方向性与多粒度语义；引入模体级注意力机制，动态融合不同模体视图的特征，自适应聚焦最具判别力的结构信息。实验在两个大规模真实数据集（Twibot-20、MGTAB）上进行，与包括Node2Vec、GCN、GAT、RGT、BotRGCN等在内的14种现有方法全面对比。结果表明，MMAFN在准确率、F1分数、召回率和精确率上均显著超越所有基线，尤其在MGTAB数据集上F1分数提升达1.25%。消融实验与可视化分析进一步验证了多模体融合与注意力机制的关键作用。该工作为社交机器人检测提供了一种高效捕捉高阶拓扑信息的新范式，兼具优越性能与良好可扩展性。

论文链接（代码与数据公开）：https://ieeexplore.ieee.org/abstract/document/11433706/

图2 所提MMAFN方法的框架图

硕士生唐培超在国际权威SCI期刊《Physica A》发表学术论文“Observer-free source detection in temporal networks with graph neural networks”。该论文针对现有源检测方法依赖静态网络结构、均匀爆发时间或预部署观察者节点的局限，提出了一种无需观察者的图神经网络方法NHTD。核心创新包括：设计节点局部异质性特征，刻画邻居感染状态分布；提出多时间尺度影响累积特征，以时间衰减权重捕捉早期活跃节点的影响力；引入时间信息流势能特征，基于模拟信息流评估节点作为源头的潜力。通过注意力机制融合三类特征，模型仅需最终感染快照与网络动态即可适应未知且非均匀的爆发时间。在多个真实时间网络上的实验表明，NHTD在Top-1、Top-5和Hop-1准确率上显著优于Betweenness、Rumor Centrality、LPSI、IVGD及BN等五种代表性方法，尤其在复杂噪声环境下表现突出。消融实验验证了各特征模块的关键贡献，鲁棒性分析显示在20%节点状态缺失时仍保持良好性能。该工作为实时流行病监测提供了一种可扩展、无观察者的实用源检测方案。论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0378437125008519

图3 NHTD方法的流程图

硕士生林渤杭在国际权威SCI期刊《Chinese Physics B》发表学术论文“Six-degree gravity centrality for detecting influential nodes in networks”。该论文针对现有节点影响力识别方法仅依赖局部或全局拓扑结构、忽略半局部交互信息的局限，提出了一种基于六度分离理论的引力中心性方法（SDGC）。核心创新包括：融合K-壳与紧密度中心性定义节点质量，平衡局部与全局信息；基于六度分离理论限定路径搜索范围为六跳内，引入动态交互距离，综合考虑最短路径长度与路径数量；设计基于K-壳差值的吸引力系数，刻画跨层级传播特性。在九个真实网络（包括社交、合作、交通等）上的实验表明，SDGC在感染能力、网络效率衰减、鲁棒性及单调性等指标上显著优于DC、BC、CC、K-shell及五种先进引力模型方法（GC、EGM、LGC、AOGC、FGM）。消融实验验证了节点质量、动态距离与吸引力系数的关键贡献。该工作为复杂网络中高影响力节点的精准识别提供了一种平衡全局、局部与半局部信息，兼具精度与可扩展性的新方案。论文链接：https://iopscience.iop.org/article/10.1088/1674-1056/adec62

图4 SDGC方法的框架图

以上研究成果的合作者还包括：北京师范大学许小可教授、南方科技大学杜占玮副教授、我院李平研究员及香港大学白媛博士后研究员等。

《中国科学：信息科学》是中国计算机学会(CCF)、中国自动化学会(CAA)、中国通信学会(CIC) 和中国人工智能学会(CAAI) 推荐的A类期刊，也是中国电子学会(CIE) 推荐的T1级期刊。IEEE TCSS和 Physica A分别是社会计算领域的权威期刊和交叉学科国际著名SCI期刊，均为JCR 一区期刊。Chinese Physics B是中国物理学会主办的国际权威SCI期刊。