Maximização de influência temporal por meio de redes neurais gráficas em tempo contínuo e aprendizado por reforço profundo

Por que o momento importa em nosso mundo conectado

De vídeos virais à propagação de doenças, grande parte da vida moderna depende de como as coisas repercutem em redes de pessoas. Empresas querem saber quem alcançar para que um anúncio se torne um efeito dominó. Autoridades de saúde pública querem saber quem vacinar primeiro para conter um surto. Ainda assim, a maioria das ferramentas usadas para escolher esses indivíduos-chave trata as redes como se estivessem congeladas no tempo, embora interações reais surjam e desapareçam de momento a momento. Este artigo apresenta uma nova abordagem, chamada TempRL-IM, que leva o fluxo do tempo a sério e mostra como usar o timing preciso das conexões pode melhorar muito nossa capacidade de dirigir informação e influência em sistemas sociais de rápida mudança.

De mapas estáticos a redes vivas

Estudos tradicionais sobre influência em redes começam com uma pergunta simples: se você pudesse escolher um pequeno conjunto de pessoas para “ativar” — talvez enviando amostras grátis ou alertas vitais — quais causariam a maior reação em cadeia? Métodos anteriores respondiam a isso olhando apenas para uma foto fixa de quem está conectado a quem. Eles assumem que, se a pessoa A está ligada à pessoa B, esse laço está sempre disponível para que a influência viaje. Mas sistemas reais raramente são tão estáveis. Trocas de e-mail, chamadas telefônicas, mensagens online e encontros presenciais aumentam e diminuem ao longo do dia. Ignorar esse ritmo pode levar a escolhas ruins, como selecionar alguém que parece central no papel, mas que está inativo durante a janela temporal crucial em que a influência precisa se espalhar.

Ouvindo o ritmo das interações

Os autores defendem que os momentos exatos em que as pessoas interagem — até a sequência e o espaçamento dos eventos — carregam pistas vitais sobre quem é verdadeiramente influente. A estrutura TempRL-IM trata cada contato na rede como um evento com carimbo de tempo, como uma entrada em um registro detalhado. Em vez de dividir o tempo em fatias grosseiras, ela usa uma rede neural gráfica em tempo contínuo, um tipo de modelo de aprendizado de máquina que mantém uma memória para cada pessoa na rede. Cada vez que duas pessoas interagem, ambas as memórias são atualizadas, levando em conta não apenas quem falou com quem, mas também quão recentemente e com que frequência. Um mecanismo de atenção temporal então se concentra nos vizinhos e momentos passados mais relevantes, destilando o “estado” em evolução de cada pessoa em uma impressão numérica compacta.

Ensinando uma IA a escolher os mensageiros certos

Uma vez codificados os padrões mutáveis da rede, o TempRL-IM passa essas impressões para um módulo de tomada de decisão baseado em aprendizado por reforço profundo. Aqui, um agente de IA aprende por tentativa e erro a escolher um pequeno conjunto de indivíduos “sementes” em um determinado momento de observação. Em simulações de como a influência se propagaria após esse momento, o agente recebe recompensas maiores quando suas sementes escolhidas desencadeiam grandes cascatas. Ao longo de muitas rodadas, ele descobre estratégias temporais sutis — por exemplo, favorecer pessoas que se tornam ativas justamente quando uma campanha é lançada, ou aquelas cujos contatos se concentram em períodos decisivos. Crucialmente, o modelo respeita causa e efeito: ele nunca espiará o futuro ao formar suas decisões, confiando apenas em eventos passados e presentes.

Comprovando os benefícios em dados do mundo real

Para testar o TempRL-IM, os pesquisadores o aplicaram a seis redes temporais reais, incluindo trocas de e-mail em corporações, mensagens privadas em plataformas sociais universitárias, relações de confiança em um mercado de criptomoedas e proximidade física entre usuários de telefones móveis. Eles compararam seu método com algoritmos estáticos e baseados em instantâneos populares, bem como com abordagens recentes de aprendizado profundo. Em todos os conjuntos de dados e para diferentes números de sementes, o TempRL-IM ativou consistentemente mais indivíduos — tipicamente 15 a 28 por cento a mais do que os concorrentes de aprendizagem mais eficientes — enquanto selecionava sementes de três a dez vezes mais rápido no momento da decisão. O método também se manteve robusto sob condições ruidosas, nas quais algumas interações foram removidas, mal sincronizadas ou subitamente intensificadas, e transferiu-se bem de uma rede para outra com padrões de atividade semelhantes.

O que isso significa para aplicações do dia a dia

Em termos simples, este estudo mostra que a escolha de quem influenciar não depende apenas de onde a pessoa está na rede, mas de quando ela está conectada. Ao modelar redes como estruturas vivas e conscientes do tempo e treinar uma IA para explorar esses padrões temporais, o TempRL-IM pode identificar mensageiros melhores para marketing, alvos mais precoces para campanhas de vacinação ou informação e pontos de controle mais eficazes em sistemas de comunicação ou transporte. A conclusão-chave é simples: tempo e sequência importam, e ferramentas que abraçam a linha do tempo completa de nossas interações podem tomar decisões mais inteligentes e rápidas nas teias complexas e sempre mutáveis que moldam nossas vidas.

Citação: 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

Palavras-chave: maximização de influência, redes sociais dinâmicas, redes neurais gráficas, aprendizado por reforço, difusão de informação