Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Последствия вмешательств в сложную сеть научились оценивать без прямого запуска симулятора на каждом прогоне. В препринте Emory University и University of Illinois Urbana-Champaign, который не прошёл рецензирование и содержит замеры самих авторов, один прогон выполнялся до 14,5 раза быстрее. Это позволяет чаще проверять алгоритмы для распространения информации, сдерживания эпидемий и других процессов, где результат действия проявляется через несколько шагов.
Модель отделяет само действие от его последствий
Обычный поиск алгоритма устроен как цикл. Кандидат выбирает узлы или связи, симулятор многократно проигрывает развитие сети, после чего средний результат возвращается в поиск. Когда один кандидат требует множества случайных траекторий, оценка становится узким местом.
Network World Model заменяет симулятор именно внутри этого цикла. Это графовая нейросетевая модель, которая получает текущее состояние сети и действие, а затем предсказывает следующий шаг распространения. Из последовательности таких шагов складывается полный прогон до момента, когда можно посчитать итоговую метрику.
Действие модель применяет точно, а не пытается выучить его смысл из данных. Если алгоритм удаляет связь, меняет её вес или задаёт состояние узла, система сначала явно вносит это изменение в граф. Нейросеть предсказывает только дальнейшее распространение, причём её выход ограничивают известными правилами процесса.
Такое разделение уменьшает риск, что модель перепутает похожие состояния, полученные разными действиями. Вместе с изменённым графом она получает признаки операции: что именно сделали с узлом или связью и насколько изменили параметр.
Вокруг оценщика работает LLM-агент, который пишет исполняемые алгоритмы и улучшает их по обратной связи. Кроме итоговой метрики, он видит ход процесса по шагам, вклад отдельных действий и результаты проверки альтернатив. Например, оценщик может убрать выбранный узел, повторить прогон с той же случайностью и показать, насколько изменился результат.
Для поиска важнее порядок кандидатов, чем точный прогноз
Оценщик не обязан идеально воспроизводить каждую траекторию. Для проектирования алгоритма важнее, чтобы он правильно определял, какой из двух кандидатов лучше, и не отправлял поиск к слабому решению.
Созданные в таком цикле алгоритмы не уступили или превзошли сильнейшие заявленные базовые методы в 138 из 141 экспериментальной конфигурации. На отложенных сетях знакомых типов точность попарного выбора достигла 90,2%: примерно в девяти случаях из десяти модель и доверенный симулятор одинаково ранжировали два алгоритма.
При переходе на сети Watts–Strogatz, чья топология отличалась от обучающей, точность сохранилась на уровне 86%. Потеря при выборе составила 1,18% — настолько результат выбранного кандидата уступал тому, которого предпочёл бы доверенный симулятор.
Авторы также сравнивали кандидата и текущий лучший алгоритм на одних и тех же случайных траекториях. Это снижает шум: разница отражает действия алгоритмов, а не два случайно получившихся сценария распространения. Ускорение относится к таким прогонам оценщика, а не автоматически ко всему циклу разработки.
Подход окупается при повторном поиске на одной динамике
Модель требует подготовить обучающие переходы с помощью исходного симулятора. В эксперименте на это ушло 38 800 эпизодов, тогда как один полный поиск напрямую через симулятор требовал 7 800. Подготовка окупалась примерно после пяти поисков, если обученную динамику использовали повторно.
Поэтому работа меняет планы прежде всего для платформ, которые регулярно оптимизируют разные цели на одном типе процесса. Одна модель распространения может оценивать алгоритмы для нескольких задач, пока правила перехода между состояниями остаются прежними. Доверенный симулятор при этом сохраняется: он создаёт обучающие данные и окончательно проверяет найденные решения.
Метод проверяли на восьми сетевых задачах и пяти моделях распространения. В них входили выбор источников влияния, блокирование распространения, управление эпидемией, поиск исходного узла и прогноз. Действия меняли состояния узлов, структуру графа или веса контактов, поэтому проверка охватывает несколько типов вмешательств, но все они оставались внутри симуляции.
Для разового поиска исходный план менять рано: предварительная подготовка дороже одного прямого цикла. Метод также предполагает, что команда знает форму процесса и может получить записи его переходов. Если динамика часто меняется или её правила неизвестны, модель придётся переобучать и заново сверять с симулятором.
В экспериментах код писал агент на закрытых LLM через API, а выпуск реализации авторы связали с принятием статьи. Поэтому сейчас работа даёт архитектуру оценщика и критерии его проверки, но не готовый компонент, который можно без дополнительной инженерии встроить в производственный поиск.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
