Problemas de influencia en un modelo de propagación de contenido y aprendizaje automático de grafos

Área de la Ciencia:

• Ciencia de Redes
• Ciencias Sociales Computacionales
• Aprendizaje Automático en Grafos

Sus antecedentes:

• Modelar la propagación de información o enfermedades en redes es un desafío clave en la ciencia de redes.
• La maximización de influencia tiene como objetivo encontrar nodos semilla que maximicen la propagación, mientras que el cálculo de influencia busca probabilidades de influencia exactas.
• Los modelos existentes, como el modelo de cascada independiente, han sido bien estudiados pero pueden no capturar todas las dinámicas del mundo real.

Objetivo del estudio:

• Introducir y analizar un nuevo modelo de propagación de contenido inspirado en modelos de confianza limitada.
• Generalizar el modelo de cascada independiente y proponer problemas novedosos de cálculo y maximización de influencia.
• Evaluar las redes neuronales de grafos (GNN) para predecir probabilidades de influencia y evaluar el problema de sobreajuste.

Principales métodos:

• Se introdujo un modelo novedoso de propagación de contenido basado en confianza limitada.
• Se demostró la generalización del modelo de cascada independiente.
• Se desarrollaron y aplicaron medidas de centralidad para la identificación de influencia en redes de árboles.
• Se entrenaron redes neuronales de grafos para predecir probabilidades de influencia.

Principales resultados:

• El modelo de propagación de contenido propuesto abarca el modelo de cascada independiente como un caso especial.
• Se logró la tratabilidad analítica y computacional para problemas de influencia en redes de árboles.
• Las redes neuronales de grafos muestran ser prometedoras como un punto de referencia para evaluar la predicción de influencia y el fenómeno de sobreajuste.

Conclusiones:

• El nuevo modelo inspirado en la confianza limitada ofrece un marco más amplio para estudiar el contagio en redes.
• Las medidas de centralidad proporcionan soluciones eficientes para problemas de influencia en estructuras de árboles.
• Las GNN presentan una herramienta valiosa para avanzar en la investigación de la modelización de influencia en redes y la evaluación de la arquitectura de GNN.