复杂网络系统动力学的图基础模型：多层网络中超级传播者识别的经验教训

网络动态——包括传播、影响最大化和流行病建模——仍然很大程度上局限于传导范式，其中模型在单个网络上进行训练，并且如果不经过重新训练就不能在看不见的图上重复使用。我们认为归纳跨网络泛化是该领域图基础模型（GFM）的必要先决条件，并为此目标提出了四个设计属性。作为概念证明，ts-net (TopSpreadersNetwork) 仅在合成多层网络 (MLN) 上进行训练，展示了对不同大小和层数的现实世界 MLN 的零样本泛化，在四个指标中的三个指标上优于经典启发式和转导基线。基于 ts-net 的性能，我们进一步概述了构建网络动态 GFM 的五个开放挑战：规模、多层泛化、自监督预训练、跨任务传输和节点属性集成。