文章提出了一种基于图神经网络（GNN）的归纳模型 TS-Net（TopSpreadersNetwork），用于识别多层网络中的超级传播者（高影响力节点）。该方法将问题定义为排名预测任务，通过模拟多层独立级联模型（MICM）下的信息扩散，构建了首个针对多层网络的专用数据集 TopSpreadersDataset。模型包含关系无关的编码器、可训练的聚合层和预测头，能适应不同规模的网络结构。实验表明，TS-Net 在合成和真实网络上均优于经典启发式方法（如度中心性）和深度学习基线（如 DeepIM），并在识别高影响力节点时提供可解释的扩散潜力向量（激活数、扩散时长、峰值激活数及峰值步长）。
多层网络能更精确地建模复杂系统（如社交-物理交互），其中识别超级传播者对流行病控制、影响力营销等应用至关重要。文章将此问题视为影响最大化的子任务，旨在找出作为单一扩散种子时传播效率最高的节点。然而，现有方法多关注同质网络，多层网络下的超级传播者识别仍缺乏鲁棒且可推广的解决方案。
多层网络定义为元组 $M=(A,L,V,E)$，其中 $A$ 为行动者集合，$L$ 为层集合，$V \subseteq A \times L$ 为节点集，$E$ 为层内无向边集。该模型禁止跨层连接，与异质图部分重叠但更简化。
文章将排名预测定义为函数 $\phi(M) \rightarrow \hat{\mathbf{R}}$，基于扩散潜力得分 $score(a)$。得分通过向量 $\mathbf{p}=[p_{ex}, p_{sl}, p_{pi}, p_{pl}]$ 计算，包括：总激活数 $p_{ex}$、扩散时长 $p_{sl}$、峰值激活数 $p_{pi}$ 和峰值步长 $p_{pl}$。评估采用累积相对得分 $y_{rel}(\mathbf{R},\hat{\mathbf{R}},k)$，最小化其与理想值的偏差：
\[ \min |1 - y_{rel}(\mathbf{R},\hat{\mathbf{R}},k)| \]
通过多层独立级联模型（MICM）模拟扩散，使用协议函数 $\delta \in \{AND, OR\}$ 和激活概率 $\pi$（范围 0.05–1.00）。收集了 208 个合成网络（Erdős–Rényi 和优先附着图）和 8 个真实网络（如 arXiv、Timik），记录扩散向量并归一化为得分 $sps(\mathbf{p})$：
\[ sps(\tilde{\mathbf{p}}) = \frac{1}{2}\tilde{p_{ex}} + \frac{1}{6}(1-\tilde{p_{sl}}) + \frac{1}{6}\tilde{p_{pi}} + \frac{1}{6}(1-\tilde{p_{pl}}) \]
模型包含三部分：共享编码器（混合 GAT-GIN 层处理各层邻接矩阵）、聚合模块（基于 WiseAverage 的软注意力融合层间嵌入）和预测头（MLP 输出 $\mathbf{p}$）。关键创新包括：
在合成和真实网络上对比七种方法（如度中心性折扣、DeepIM）。TS-Net 在 7/8 场景中领先，关键指标如下：
消融实验表明：混合 GAT-GIN 编码器比单一类型层性能高 12%，WiseAverage 聚合优于标准注意力机制。
文章提出的 TS-Net 为多层网络超级传播者识别提供了可推广解决方案，其优势包括：
未来方向包括扩展数据集以支持种子集评估，并探索异质图泛化。尽管启发式方法（如度中心性）仍具竞争力，TS-Net 的结构化输出为定制化排名（如优先峰值激活）提供了灵活性。