AutoSND: From Execution Evidence to Structural Policies for Automated Network Dismantling Heuristic Discovery

📄 arXiv: 2608.03653v1 📥 PDF

作者: Zhijing Hu, Changjun Fan, Yufan Deng, Zhiguang Cao

分类: cs.AI

发布日期: 2026-08-04

🔗 代码/项目: GITHUB

💡 一句话要点

提出AutoSND以解决网络拆解启发式设计的效率与效果问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 网络拆解 启发式设计 自动化 结构策略 复杂系统

📋 核心要点

  1. 现有的网络拆解启发式设计方法通常需要手动设计，效率低且难以保证效果。
  2. AutoSND通过三阶段树搜索框架，自动生成和优化网络拆解程序，提高了设计效率和效果。
  3. 在12个真实网络和3个大型真实网络上的实验结果显示，AutoSND在搜索性能和稳定性上均有显著提升。

📝 摘要（中文）

网络拆解是分析复杂系统鲁棒性和脆弱性的基础，但实际启发式方法需在有效性与计算效率之间取得平衡，通常由研究者手动设计。现有的大型语言模型自动启发式设计方法能够生成和筛选候选方案，但在将候选质量或执行失败状态转化为结构级指导方面存在困难。本文提出了AutoSND，一个三阶段树搜索框架，用于完整的网络拆解程序。第一阶段从简单启发式广泛探索并归档执行证据；第二阶段将候选记录编译为关于局部信号、邻域访问和状态更新范围的结构策略；第三阶段在这些策略的条件下继续树搜索，获得最终的质量优先和速度优先候选方案。实验表明，AutoSND在搜索性能和稳定性上表现更佳，发现了更具竞争力和结构可解释性的网络拆解程序。

🔬 方法详解

问题定义：本文旨在解决网络拆解启发式设计中效率与效果的平衡问题。现有方法通常依赖于人工设计，导致计算效率低下且难以适应复杂网络的特性。

核心思路：AutoSND的核心思路是通过三阶段树搜索框架，利用执行证据和结构策略来指导后续的启发式生成，从而实现自动化和高效的网络拆解程序设计。

技术框架：AutoSND的整体架构分为三个主要阶段：第一阶段广泛探索简单启发式并归档执行证据；第二阶段将候选记录编译为结构策略，涉及局部信号、邻域访问和状态更新范围；第三阶段在这些策略的条件下继续树搜索，最终获得质量优先和速度优先的候选方案。

关键创新：AutoSND的主要创新在于将执行证据转化为结构策略，从而为后续的启发式生成提供了更为有效的指导。这一方法与现有的基于语言模型的候选生成方法本质上不同，后者难以实现结构层面的优化。

关键设计：在设计中，AutoSND使用了残余度作为核心指标，结合有界局部信号调整节点顺序，并限制状态更新范围，以确保生成的网络拆解程序既具竞争力又具可解释性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，AutoSND在12个真实网络和3个大型真实网络上均表现出色，搜索性能和稳定性显著提升，发现的候选方案在竞争力和结构可解释性上均优于现有方法，具体性能提升幅度未知。

🎯 应用场景

该研究的潜在应用领域包括网络安全、交通网络优化和复杂系统分析等。通过自动化的网络拆解程序设计，研究者和工程师可以更高效地评估和提升系统的鲁棒性，降低人工设计的时间成本，推动相关领域的技术进步。

📄 摘要（原文）

Network dismantling is fundamental to analyzing the robustness and vulnerability of complex systems, yet practical heuristics must balance effectiveness and computational efficiency, and are usually designed manually by researchers. Existing large language model based automatic heuristic design methods can generate and screen candidates, yet they have difficulty further transforming candidate quality or failure states during execution into structural-level guid- ance for subsequent generation. We propose AutoSND, a three stage tree search framework for complete network dismantling pro- grams. Stage I broadly explores from simple heuristics and archives execution evidence. Stage II compiles candidate records into struc- tural policies concerning local signals, neighborhood access, and state update ranges. Stage III continues tree search conditioned on these policies and obtains the final quality prioritized and speed prioritized candidates, AutoSND-Q/S. Experiments on 12 real world networks and 3 large real world networks show that AutoSND achieves better search performance and stability and discovers more competitive and structurally interpretable network disman- tling programs. The final candidates form an interpretable structure that uses residual degree as the backbone, adjusts node order with bounded local signals, and restricts the state update range. Code is available at https://github.com/MirrorNew/AutoSND.