AutoSND: From Execution Evidence to Structural Policies for Automated Network Dismantling Heuristic Discovery
AutoSND 是一个三阶段树搜索框架，用于自动发现网络拆解启发式算法。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化策略；第三阶段在这些策略条件下继续树搜索，得到质量优先和速度优先的候选 AutoSND-Q/S。在 12 个真实网络和 3 个大型真实网络上的实验表明，AutoSND 取得了更好的搜索性能和稳定性，并发现了更具竞争力和结构可解释性的网络拆解程序。
发展脉络
- 首次出现AutoSND: From Execution Evidence to Structural Policies for Automated Network Dismantling Heuristic DiscoveryarXiv cs.AI
- 当前判断AutoSND 展示了 LLM 在自动算法设计领域的应用潜力，特别是在网络拆解这类需要平衡效果和效率的复杂问题上。其方法可能启发其他领域的自动启发式设计，但当前结果仅限于网络拆解任务，且实验规模有限。未来若能在更多任务和更大规模网络上验证，可能推动自动算法设计工具的发展。Agent Pulse · 分析
AutoSND 提出了一种三阶段树搜索框架，用于自动发现网络拆解启发式算法。网络拆解是分析复杂系统鲁棒性和脆弱性的基础，但实际启发式算法需要在效果和计算效率之间平衡，通常由研究人员手动设计。现有基于大语言模型的自动启发式设计方法可以生成和筛选候选，但难以将候选质量或执行过程中的失败状态转化为结构层面的指导。AutoSND 的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化策略；第三阶段在这些策略条件下继续树搜索，得到质量优先和速度优先的候选 AutoSND-Q/S。在 12 个真实网络和 3 个大型真实网络上的实验表明，AutoSND 取得了更好的搜索性能和稳定性，并发现了更具竞争力和结构可解释性的网络拆解程序。
AutoSND 的核心创新在于将执行证据转化为结构化策略，这解决了现有 LLM 自动启发式设计方法中候选质量或失败状态难以反馈到后续生成的问题。其三阶段树搜索框架中，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化策略，这相当于在搜索过程中引入了中间表示，使得搜索可以基于这些策略进行条件化。这种设计可能提高搜索效率和稳定性，但具体机制和与现有方法的对比细节需要进一步阅读论文。
AutoSND 展示了 LLM 在自动算法设计领域的应用潜力，特别是在网络拆解这类需要平衡效果和效率的复杂问题上。其方法可能启发其他领域的自动启发式设计，但当前结果仅限于网络拆解任务，且实验规模有限。未来若能在更多任务和更大规模网络上验证，可能推动自动算法设计工具的发展。
AutoSND 作为研究论文，其直接商业价值尚不明确，但网络拆解在网络安全、社交网络分析等领域有潜在应用。如果该方法能提高网络拆解效率，可能对相关行业产生间接影响，但当前阶段更偏向学术贡献。
AutoSND 的后续发展可能包括在更多网络类型和更大规模上的验证，以及将结构化策略的编译过程扩展到其他组合优化问题。可验证的下一信号是论文是否公开代码和实验细节，以及是否有后续工作将 AutoSND 应用于其他网络分析任务。