Temporale beïnvloedingsmaximalisatie via continue-tijd grafneurale netwerken en diepe versterkingsleer

Waarom timing ertoe doet in onze verbonden wereld

Van virale video’s tot de verspreiding van ziekten: veel van het moderne leven hangt af van hoe gebeurtenissen door netwerken van mensen golven. Bedrijven willen weten wie ze moeten targeten zodat een advertentie als een sneeuwbal gaat rollen. Volksgezondheidsinstanties willen weten wie ze als eerste moeten vaccineren om een uitbraak te stoppen. Toch behandelen de meeste instrumenten die zulke sleutelpersonen kiezen netwerken alsof ze bevroren in de tijd zijn, terwijl echte interacties van het ene op het andere moment verschijnen en verdwijnen. Dit artikel introduceert een nieuwe benadering, TempRL-IM, die de stroom van tijd serieus neemt en laat zien hoe het gebruik van de precieze timing van contacten onze capaciteit om informatie en invloed te sturen in snel veranderende sociale systemen sterk kan verbeteren.

Van statische kaarten naar levende netwerken

Traditionele studies van invloed in netwerken beginnen met een eenvoudige vraag: als je een kleine groep mensen kon kiezen om te “activeren” — bijvoorbeeld door ze gratis monsters of vitale waarschuwingen te sturen — wie zou dan de grootste kettingreactie veroorzaken? Oudere methoden beantwoordden dit door alleen te kijken naar een vaste momentopname van wie met wie verbonden is. Ze nemen aan dat als persoon A verbonden is met persoon B, die verbinding altijd beschikbaar is voor invloed. Maar echte systemen zijn zelden zo stabiel. E-mailuitwisselingen, telefoongesprekken, online berichten en face-to-face ontmoetingen pieken en vervagen gedurende de dag. Het negeren van dit ritme kan leiden tot slechte keuzes, zoals het selecteren van iemand die op papier centraal lijkt maar in werkelijkheid inactief is tijdens het cruciale tijdvenster waarin invloed zich moet verspreiden.

Luisteren naar de hartslag van interactie

De auteurs beargumenteren dat de exacte momenten waarop mensen interacteren — tot in de volgorde en de tussenpozen van gebeurtenissen — essentiële aanwijzingen geven over wie werkelijk invloedrijk is. Hun raamwerk, TempRL-IM, behandelt elk contact in het netwerk als een tijdgestempeld evenement, als een aantekening in een gedetailleerd logboek. In plaats van tijd in grove segmenten te hakken, gebruikt het een continue-tijd grafneuraal netwerk, een type machine-learningmodel dat voor elke persoon in het netwerk een geheugen bijhoudt. Elke keer dat twee mensen interacteren, worden beide geheugenrepresentaties geüpdatet, waarbij niet alleen wordt meegenomen wie met wie sprak, maar ook hoe recent en hoe vaak. Een temporeel aandachtmechanisme concentreert zich vervolgens op de meest relevante vroegere buren en momenten, en destilleert zo ieders evoluerende “toestand” tot een compacte numerieke vingerafdruk.

Een AI leren de juiste boodschappers te kiezen

Zodra de verschuivende patronen van het netwerk zijn gecodeerd, geeft TempRL-IM deze vingerafdrukken door aan een besluitvormingsmodule gebaseerd op diepe versterkingsleer. Hier leert een AI-agent door proef en fout een kleine set “zaad”-individuen te kiezen op een bepaald observatiemoment. In simulaties van hoe invloed zich na dat moment zou verspreiden, ontvangt de agent hogere beloningen wanneer de gekozen zaadpersonen grote cascades teweegbrengen. In veel ronden ontdekt de agent subtiele temporele strategieën — bijvoorbeeld het bevoordelen van mensen die juist actief worden op het moment dat een campagne van start gaat, of van mensen wiens contacten zich clusteren tijdens beslissende periodes. Cruciaal is dat het model oorzaak en gevolg respecteert: het kijkt nooit in de toekomst bij het vormen van beslissingen, maar baseert zich alleen op verleden en heden.

De voordelen aantonen met data uit de praktijk

Om TempRL-IM te testen pasten de onderzoekers het toe op zes echte temporele netwerken, waaronder e-mailuitwisselingen binnen bedrijven, privéberichten op universitaire sociale platforms, vertrouwensrelaties op een cryptovalutamarkt en fysieke nabijheid tussen mobiele telefoongebruikers. Ze vergeleken hun methode met populaire statische en snapshot-gebaseerde algoritmen, evenals recente deep-learning benaderingen. Over alle datasets en voor verschillende aantallen zaadpersonen activeerde TempRL-IM consequent meer individuen — typisch 15 tot 28 procent meer dan de sterkste concurrenten op basis van leren — terwijl het selecteren van zaadpersonen tijdens de besluitvorming drie tot tien keer sneller ging. De methode hield ook stand in rumoerige omstandigheden waarin sommige interacties werden verwijderd, verkeerd getimed of plotseling intensificerden, en hij transfereerde goed van het ene netwerk naar het andere met vergelijkbare activiteitspatronen.

Wat dit betekent voor alledaagse toepassingen

Concreet laat deze studie zien dat wie je kiest om te beïnvloeden niet alleen afhangt van waar iemand zit in het netwerk, maar ook wanneer die persoon verbonden is. Door netwerken te modelleren als levende, tijdsbewuste structuren en een AI te trainen om deze temporele patronen te benutten, kan TempRL-IM betere boodschappers identificeren voor marketing, eerdere doelwitten aanwijzen voor vaccinatie- of informatiewervingscampagnes en effectievere controlepunten bieden in communicatie- of transportsystemen. De belangrijkste conclusie is simpel: timing en volgorde doen ertoe, en hulpmiddelen die de volledige tijdlijn van onze interacties omarmen, kunnen slimmer en sneller beslissen in de complexe, voortdurend veranderende netwerken die ons leven bepalen.

Bronvermelding: Wang, Y., Alawad, M.A., Alfilh, R.H.C. et al. Temporal influence maximization via continuous-time graph neural networks and deep reinforcement learning. Sci Rep 16, 8987 (2026). https://doi.org/10.1038/s41598-026-37640-6

Trefwoorden: beïnvloedingsmaximalisatie, dynamische sociale netwerken, grafneurale netwerken, versterkingsleren, informatiespreiding