基于超图同构网络的鲁棒性预测

本文解决了现有深度学习方法在评估复杂系统鲁棒性方面的局限性，特别是那些被建模为超图的系统。它提出了一种新颖的超图同构网络（HWL-HIN），利用了超图Weisfeiler-Lehman测试的表达能力。这具有重要意义，因为它提供了一种比传统方法和现有HGNN更准确、更有效的方式来预测鲁棒性，这对于工程和经济应用至关重要。

• •提出了一种用于超图学习的超图同构网络（HWL-HIN）。
• •理论上等同于超图Weisfeiler-Lehman测试。
• •在鲁棒性预测方面优于现有的基于图的模型和HGNN。
• •在训练和预测方面提供卓越的效率。