Integración de técnicas de aprendizaje automático para la identificación de nodos críticos en redes complejas

Área de la Ciencia:

• Ciencia de Redes
• Ciencias Sociales Computacionales
• Aprendizaje Automático

Sus antecedentes:

• La identificación de nodos influyentes es fundamental para el análisis de redes en áreas como el control de epidemias.
• Las medidas de centralidad tradicionales a menudo no logran capturar los comportamientos complejos de los nodos en escenarios dinámicos.
• Los métodos existentes descuidan las dependencias no lineales entre las características topológicas y las capacidades de propagación.

Objetivo del estudio:

• Desarrollar un marco basado en aprendizaje automático para la identificación precisa de nodos influyentes.
• Superar las limitaciones de las medidas de centralidad tradicionales en la transmisión dinámica de redes.
• Integrar la topología de la red con la dinámica de propagación de enfermedades para mejorar la predicción de la prominencia de los nodos.

Principales métodos:

• Construcción de vectores de características de nodos que integran la tasa de infección y las características topológicas.
• Utilización de los modelos SIR (Susceptible-Infectado-Recuperado) e IC (Cascada Independiente) para simulaciones de propagación.
• Evaluación de clasificadores independientes (SVM, KNN, Random Forests) y un enfoque híbrido SVM+K-means.

Principales resultados:

• El marco propuesto de aprendizaje automático supera significativamente las medidas de centralidad tradicionales.
• El enfoque híbrido SVM+K-means captura eficazmente las complejas relaciones entre las características del nodo y la capacidad de propagación.
• La precisión en la identificación de nodos influyentes mejoró entre un 15% y un 45% en comparación con los métodos convencionales.

Conclusiones:

• El aprendizaje automático combinado con las propiedades de la red ofrece una estrategia eficaz y escalable para identificar nodos esenciales.
• El enfoque propuesto mejora la precisión de la detección de nodos influyentes en redes complejas.
• La integración de propiedades dinámicas como la tasa de infección mejora la predicción de la capacidad de propagación de los nodos.