Deep RL genera grafi con vincoli esatti di assortatività

Un nuovo framework chiamato Deep Microcanonical Graph Generator (DMGG) è stato sviluppato dai ricercatori, utilizzando l'apprendimento per rinforzo per modificare i grafi attraverso riarrangiamenti che preservano il grado al fine di raggiungere un livello specifico di assortatività, che riflette la correlazione tra i gradi dei nodi vicini. A differenza dei modelli esponenziali di grafi casuali (ERGM) tradizionali che applicano vincoli in modo atteso, DMGG impone vincoli rigorosi in modo preciso. Questa ricerca affronta una questione chiave su come la struttura di una rete influenzi la sua funzione, consentendo un campionamento efficace di insiemi di grafi microcanonici con caratteristiche strutturali controllate, andando oltre la semplice fissazione della sequenza dei gradi. L'articolo è disponibile su arXiv con l'identificatore 2605.23285.