Maximización de la influencia temporal a través de redes neuronales de grafos en tiempo continuo y aprendizaje...

Área de la Ciencia:

• Ciencia de Redes
• Inteligencia Artificial
• Ciencias Sociales Computacionales

Sus antecedentes:

• Los métodos tradicionales de maximización de la influencia (IM) fallan en redes dinámicas debido a suposiciones estáticas.
• Los sistemas sociales del mundo real exhiben evolución continua e interacciones explosivas, invalidando los modelos de redes estáticas.
• Los métodos de IM temporales existentes discretizan el tiempo, perdiendo dependencias detalladas y sin poder modelar patrones no estacionarios.

Objetivo del estudio:

• Desarrollar un marco novedoso, TempRL-IM, para la maximización de la influencia en redes dinámicas.
• Abordar las limitaciones de los enfoques de IM estáticos y de tiempo discretizado.
• Aprovechar la dinámica del tiempo continuo para una predicción más precisa y eficiente de la difusión de la influencia.

Principales métodos:

• Integración de Redes Neuronales de Grafos en Tiempo Continuo (CTGNNs) para la codificación de dependencias temporales.
• Utilización de un agente Double Deep Q-Network (DDQN) para la selección óptima de semillas.
• Desarrollo de un marco de aprendizaje por refuerzo temporal (TempRL-IM) para el análisis de redes dinámicas.

Principales resultados:

• TempRL-IM logra una difusión de influencia un 15-28% mayor en comparación con los métodos de vanguardia.
• El marco demuestra velocidades de inferencia 3-10 veces más rápidas.
• Se observó una fuerte transferibilidad entre redes con características temporales similares.

Conclusiones:

• TempRL-IM modela eficazmente la dinámica del tiempo continuo en redes sociales sin artefactos de discretización.
• El marco propuesto ofrece mejoras significativas tanto en precisión como en eficiencia para la maximización de la influencia.
• TempRL-IM muestra potencial para aplicaciones a gran escala como el marketing viral y la contención de epidemias.