ShapleyCov 與 MinCov：針對二分相依網路的關鍵貢獻者識別

二分相依網路的關鍵貢獻者識別：ShapleyCov與MinCov

識別在二分圖中「一筆斷線會孤立多少項目」是個實務問題。作者將該任務形式化為CriticalSet問題，證明其為NP-hard，且對應的目標函數為超模組性，令標準前向貪婪無近似保證。

研究以合作式遊戲導出閉式中心性ShapleyCov，解讀為貢獻者離場時預期孤立的項目數；並提出MinCov，一種線性時間的迭代剝除算法，特別考量連結冗餘，優先移除對多項目具唯一支持的貢獻者。

在合成資料與大規模實驗（含維基圖，超過2.5億條邊）上，ShapleyCov與MinCov明顯超越傳統基準；MinCov效能接近隨機爬山法（差距0.02 AUC），同時速度快數個數量級，對系統韌性與資源配置具實務參考價值。

延伸閱讀

• 後驗決定式 POMDP：可近似計算可達性值的理論與演算法
• Dafny 形式驗證 Alpha‑Beta 剪枝與 Minimax/Negamax 演算法
• AlphaEvolve：LLM驅動的元演化搜尋提升拉姆齊數下界

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。