Net-Ev$^2$: A Generative Simulator for Network Event Evolution

📄 arXiv: 2606.12494 📥 PDF

作者: Guangyu Wang, Zhaonan Wang

分类: cs.LG

发布日期: 2026-06-12

💡 一句话要点

提出Net-Ev$^2$以解决网络事件演化模拟问题

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

关键词: 网络事件模拟 生成模拟器 拓扑感知 多模态基准 事件传播 机器学习

📋 核心要点

  1. 现有方法在模拟网络事件演化时未能有效建模事件的结构属性和非结构语义，导致模拟效果不足。
  2. Net-Ev$^2$通过结构引导的掩蔽预训练和拓扑感知的扩散过程，结合事件线索与网络拓扑，提供了一种新的生成模拟方法。
  3. 实验结果表明，Net-Ev$^2$在生成网络动态方面表现出色，具有强大的泛化能力，超越了现有的基线方法。

📝 摘要（中文）

减少现实世界中的试错成本一直是决策制定的核心目标，而生成模拟器通过建模未来状态的演变来推动这一目标。更具挑战性且有意义的任务是模拟干扰事件（如事故）如何在现实网络中传播其影响。现有方法在建模事件的结构属性和非结构语义方面存在不足，且在模拟网络事件演化时未能捕捉拓扑结构。因此，本文提出了Net-Ev$^2$，一个新颖的生成模拟器，能够在模拟中同时利用事件线索并保持网络拓扑。该框架包括结构引导的掩蔽预训练和拓扑感知的扩散过程，采用类似U-Net的图形下采样和上采样进行去噪。在推理时，Net-Ev$^2$仅使用自然语言事件输入生成模拟，具有更大的灵活性。此外，我们引入了Net-Ev$^2$-6.5M，一个跨四个大型道路网络的事件与网络流量数据对齐的多模态基准，以及一种新的拓扑感知度量JL-MMD，以评估生成网络动态的拓扑保真度。大量实验表明，Net-Ev$^2$在性能上达到了最先进水平，并展现出强大的泛化能力。

🔬 方法详解

问题定义：本文旨在解决如何有效模拟干扰事件在网络中传播影响的问题。现有方法在建模事件的结构属性和非结构语义方面存在不足，无法全面捕捉网络事件演化的复杂性。

核心思路：Net-Ev$^2$的核心思路是通过结合事件线索和网络拓扑信息，采用结构引导的掩蔽预训练和拓扑感知的扩散过程，来提升模拟的准确性和灵活性。

技术框架：Net-Ev$^2$的整体架构包括两个主要阶段：首先是结构引导的掩蔽预训练，接着是拓扑感知的扩散过程。该过程使用类似U-Net的图形下采样和上采样技术进行去噪，以确保生成的模拟保持网络的拓扑结构。

关键创新：Net-Ev$^2$的主要创新在于其能够同时处理事件的结构属性和非结构语义，并有效捕捉网络拓扑，从而在生成网络动态时提供更高的保真度。与现有方法相比，Net-Ev$^2$在模拟的灵活性和准确性上均有显著提升。

关键设计：在设计上，Net-Ev$^2$采用了特定的损失函数以优化生成质量，并通过U-Net结构实现图形数据的高效处理。此外，模型的参数设置经过精心调整，以确保在不同网络拓扑下的良好表现。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，Net-Ev$^2$在生成网络动态方面的性能超越了现有基线，具体表现为在JL-MMD度量上取得了显著的提升，表明其在拓扑保真度方面的优势。该模型在多个大型道路网络上的测试结果均显示出强大的泛化能力，验证了其实际应用的可行性。

🎯 应用场景

Net-Ev$^2$的研究成果在多个领域具有广泛的应用潜力，包括交通管理、灾害响应和网络安全等。通过准确模拟事件的传播，决策者可以更有效地制定应对策略，从而降低风险和损失。未来，该技术有望在智能城市和自动驾驶等新兴领域发挥重要作用。

📄 摘要（原文）

Reducing real-world trial and error has long been a central goal of decision making, and generative simulators advance this goal by modeling the evolution of future states. An even more challenging yet meaningful task is simulating how disturbance events (e.g., accidents) propagate their impacts across real-world networks. The existing approaches fall short of modeling both structured attributes and unstructured semantics of events, and capturing topological structures in simulating network event evolution. Therefore, we are motivated to propose Net-Ev$^2$ ($\underline{\textbf{Net}}$work $\underline{\textbf{Ev}}$ent $\underline{\textbf{Ev}}$olution), a novel generative simulator that jointly leverages event cues while preserving network topology in simulations. Specifically, the framework consists of two stages, namely structure-guided masked pre-training and topology-aware diffusion process, which is achieved by U-Net-like graph downsampling and upsampling during denoising. At inference time, Net-Ev$^2$ can generate simulations using natural-language event input only, with greater flexibility for practical usage. Furthermore, we introduce Net-Ev$^2$-6.5M, a multimodal benchmark of aligned event and network traffic data across four large-scale road networks, as well as a new topology-aware metric, namely JL-MMD, to evaluate topological fidelity in generated network dynamics. Extensive experiments demonstrate the state-of-the-art performance and strong generalization ability of Net-Ev$^2$. Code is made available atthis https URL.