在當今高度互聯的世界中，復雜網絡已成為建模從社交關系到交通系統等各種復雜體系的核心工具。然而，如何有效拆解有害網絡——無論是阻止計算機病毒的傳播還是遏制社會謠言的擴散——始終是學術界和工業界面臨的重大挑戰。傳統方法多聚焦于攻擊網絡中的關鍵節點，卻忽視了邊攻擊往往更具現實可行性，因為節點通常數量較少且防護嚴密。這一研究空白，加上網絡拆解(Network Dismantling, ND)任務固有的NP難特性，促使研究人員尋求更智能的解決方案。

針對這一挑戰，研究人員開發了名為FIGHTER的創新框架。該工作首次將線圖轉換技術與深度強化學習(Deep Reinforcement Learning, DRL)相結合，巧妙地將原始圖中的邊攻擊問題轉化為線圖中的節點攻擊問題。通過將ND過程建模為馬爾可夫決策過程(Markov Decision Process, MDP)，并利用圖神經網絡(Graph Neural Network, GNN)進行表征學習，FIGHTER能夠從海量數據中自動挖掘高效的網絡拆解策略。

研究團隊采用了三項關鍵技術：(1)基于GraphSAGE的線圖節點嵌入生成算法，直接提取邊特征向量；(2)可適配不同ND目標(攻擊最大節點或邊連通子圖)的彈性獎勵函數設計；(3)考慮異質攻擊成本的邊移除策略，將成本定義為線圖中的邊度數。實驗數據來源于20000余張訓練網絡圖，在NVIDIA GeForce RTX 4060 GPU上完成72小時模型訓練。

【模型設計】
FIGHTER的核心創新在于其端到端架構。通過線圖轉換，原始圖中的每條邊對應線圖中的一個節點，使得成熟的節點攻擊方法可直接應用于邊攻擊場景。編碼器模塊采用GNN提取線圖拓撲特征，解碼器則通過DRL學習邊移除的最優序列。特別值得注意的是，研究定義了兩種巨連通分量(Giant Connected Component, GCC)指標：GCC_node(含最多節點的子圖)和GCC_edge(含最多邊的子圖)，后者在交通網絡等邊密集型場景中更具實際意義。

【實驗結果】
在四類實驗場景(均勻/異質成本×GCC_node/GCC_edge目標)中，FIGHTER均展現出顯著優勢。與五種基準方法相比，在合成網絡和真實網絡中的平均性能提升分別達到20.45%和19.28%。異質成本場景下的設計尤為亮眼——將邊移除成本定義為該邊在線圖中的度數(即鄰邊數量)，這一創新使FIGHTER能夠智能識別高影響力低成本的"性價比"邊攻擊序列。

【結論與展望】
該研究通過FIGHTER框架成功實現了三個突破：(1)首次將線圖轉換與DRL結合解決邊攻擊序列問題；(2)提出可適應不同網絡類型和規模的彈性ND框架；(3)驗證了異質成本策略在實際應用中的優越性。這些成果不僅為網絡防御提供了新工具，其方法論更可拓展至藥物設計中的靶點組合篩選、流行病控制中的傳播路徑阻斷等生命健康領域。論文發表于《Expert Systems with Applications》，作者團隊特別聲明無利益沖突。未來工作將聚焦于超大規模網絡的實時拆解算法優化，以及多目標ND任務的協同求解。