دمج تقنيات تعلم الآلة لتحديد العقد الحرجة في الشبكات المعقدة

لماذا يهم العثور على النقاط الأساسية في الشبكات

من وسائل التواصل الاجتماعي ومسارات الخطوط الجوية إلى شبكات الطاقة وأنظمة البريد الإلكتروني، يمكن اعتبار العديد من جوانب الحياة الحديثة كشبكات. في هذه الشبكات من الاتصالات، بعض النقاط — أفراد، مطارات، محطات طاقة أو حواسب — تكون أكثر أهمية بكثير من غيرها. يمكن أن يساعد اكتشاف تلك النقاط الحاسمة في إبطاء الأوبئة، وحماية البنية التحتية، ونشر المعلومات بفعالية. تستقصي هذه الورقة كيف يمكن لتعلّم الآلة الحديث أن يتفوق على الطرق التقليدية في كشف تلك البقع الحرجة، خاصة عندما ينتشر شيء ما بنشاط عبر الشبكة.

الطرق القديمة لاكتشاف النقاط المهمة

على مدى عقود، استخدم الباحثون مقاييس هيكلية بسيطة، تُسمى مقاييس المركزية، لتحديد أي العقد في الشبكة هي الأكثر أهمية. تفحص هذه المقاييس خصائص مثل عدد الروابط المباشرة للعقدة، أو مدى قربها من البقية، أو عدد المرات التي تقع فيها على المسارات الأقصر بين أزواج العقد. وعلى الرغم من فائدتها، فإن لهذه المقاييس عيوب. فبعضها يركز فقط على الجوار المباشر للعقدة ويفقد الصورة الأكبر. وأخرى تأخذ الشبكة بأكملها بعين الاعتبار لكنها تصبح مكلفة حسابياً عند زيادة حجم الشبكة. والأهم من ذلك، أنها تفترض أن الموقف الهيكلي للعقدة وحده يحدد مدى تأثيرها في عملية انتشار فعلية، مثل تفشي مرض أو رسالة فيروسية.

إضافة سلوك الانتشار إلى الصورة

لجسر هذه الفجوة، يقوم المؤلفون بنمذجة كيفية انتشار شيء ما عبر الشبكة صراحةً ويستخدمون نتائج تلك النمذجة لتعليم نماذج تعلم الآلة كيف تبدو العقد المؤثرة حقاً. يعتمدون على نموذجين شائعين على غرار الأوبئة. في الأول، يمكن أن تكون كل عقدة عرضة أو مُعدية أو متعافية، وتنتقل العدوى عبر الروابط باحتمالية معينة. في الآخر، تحصل كل عقدة تُصاب حديثاً على فرصة واحدة لإصابة جيرانها. من خلال محاكاة هذه العمليات مراراً بدءاً من كل عقدة ابتدائية، يقيس المؤلفون مدى حجم التفشي الذي يمكن أن تسببه كل عقدة. تُحوّل أحجام التفشي هذه بعد ذلك إلى مجموعة من التسميات التي تجمع العقد في مستويات تأثير مختلفة، من ناقلين ضعيفين إلى ناقلين أقوياء جداً.

تعليم الآلات كيفية التعرف على العقد القوية

بعد أن تُوسَم كل عقدة، يبني المؤلفون ملف ميزات يمزج المعلومات الهيكلية مع شروط الانتشار. يجمعون لكل عقدة مقاييس مركزية قياسية — تلتقط الاتصال المحلي، والموقع العالمي، وقوة الجيران — كما يشملون معدل العدوى المستخدم في المحاكاة. تُطبع هذه القيم بحيث تتكيف الطريقة مع شبكات ذات أحجام مختلفة جداً. ومع امتلاكهم لمجموعة البيانات المسمّاة هذه، يدربون مجموعة من نماذج تعلم الآلة الجاهزة، بما في ذلك أشجار القرار، والغابات العشوائية، وآلات الدعم الناقلة، والانحدار اللوجستي، وجيران K‑الأقرب، والشبكات العصبية. كما يصممون طريقة هجينة تجمع أولاً العقد ذات الميزات المتشابهة في عنقود باستخدام K‑means، ثم تدرب مصنّف ناقلة الدعم بشكل منفصل داخل كل عنقود. يهدف هذا النهج الهجين إلى التقاط أنماط غير خطية دقيقة دون أن تغمرها التعقيدات الكاملة للشبكة.

اختبار الطرق

يقيم المؤلفون إطارهم على سبع شبكات من العالم الحقيقي، تغطي مسارات الخطوط الجوية، وأنظمة الطرق، والتعاون العلمي، والشبكات البيولوجية، وتبادلات البريد الإلكتروني. يقارنون نماذج تعلم الآلة بمقاييس المركزية الكلاسيكية في إعدادين رئيسيين. في الأول، تُدرَّب النماذج وتُختبر على أجزاء مختلفة من نفس الشبكة. هنا، يحقق أسلوب التجميع-ثم-التصنيف الهجين باستمرار أعلى درجات الدقة والدقّة والاسترجاع ودرجة F1، متفوقاً غالباً على المركزية التقليدية بمقدار 15–45 نقطة مئوية عند تصنيف العقد إلى مستويات التأثير. في الإعداد الثاني، تُدرَّب النماذج على شبكة وتُختبر على شبكة مختلفة. في هذا السيناريو الأصعب عبر الشبكات، تميل المقاييس التقليدية القائمة على السُبقية بين العقد إلى التفوق على نماذج تعلم الآلة، مما يبرز أن الأنماط المتعلّمة في بنية واحدة لا تنتقل دائماً بسلاسة إلى بنية أخرى.

ما معنى هذا عملياً

في الحالات التي يمكننا فيها تحمل إجراء محاكاة مفصّلة على شبكة معينة — مثل شبكة طاقة محددة، أو منصة اجتماعية، أو نظام نقل — يقدم إطار تعلم الآلة المقترح وسيلة أكثر دقة وقابلة للتوسع لتحديد العقد الأكثر تأثيراً من الاعتماد على البنية وحدها. من خلال الجمع بين كيفية توصيل العقد وكيفية تدفق العدوى فعلياً، وباستخدام هجينة ذكية من التجميع والتصنيف، يمكن للطريقة أن تميّز بشكل أكثر موثوقية الحقول القليلة التي سيحدث فشلها أو تفعيلها الفارق الأكبر. في الوقت نفسه، تذكّرنا النتائج بأنه لا يوجد نموذج واحد يعمل على أفضل وجه في كل مكان: فقد تظل المقاييس البسيطة المبنية على البنية مفضلة عندما يتعين علينا التعميم من شبكة إلى أخرى دون محاكيات جديدة.

الاستشهاد: ReddyPriya, M., Enduri, M.K., Hajarathaiah, K. et al. Integrating machine learning techniques for critical node identification in complex networks. Sci Rep 16, 8929 (2026). https://doi.org/10.1038/s41598-026-40778-y

الكلمات المفتاحية: العقد المؤثرة, الشبكات المعقدة, تعلم الآلة, انتشار الأوبئة, مركزية الشبكة