Максимизация влияния во времени с помощью нейронных сетей на графах в непрерывном времени и глубокого обучения через подкрепление

Почему время имеет значение в нашем взаимосвязанном мире

От вирусных видео до распространения заболеваний — многое в современной жизни зависит от того, как сигналы распространяются по сетям людей. Компаниям важно знать, кого стоит нацелить, чтобы реклама превратилась в снежный ком. Работникам здравоохранения нужно понимать, кого вакцинировать в первую очередь, чтобы остановить вспышку. Тем не менее большинство инструментов для выбора ключевых людей рассматривают сети так, будто они заморожены во времени, хотя реальные взаимодействия появляются и исчезают из момента в момент. В этой статье предложен новый подход под названием TempRL-IM, который учитывает течение времени и показывает, как использование точного времени контактов может значительно улучшить нашу способность управлять информацией и влиянием в быстро меняющихся социальных системах.

От статических карт к живым сетям

Традиционные исследования влияния в сетях начинаются с простого вопроса: если вы могли бы выбрать небольшую группу людей для «активации» — например, отправив им бесплатные образцы или важные оповещения — кого стоит выбрать, чтобы вызвать максимальную цепную реакцию? Ранние методы отвечали на это, опираясь только на фиксированный снимок связей между людьми. Они предполагали, что если человек A связан с человеком B, эта связь всегда доступна для распространения влияния. Но реальные системы редко бывают настолько стабильными. Обмены электронной почтой, телефонные звонки, онлайн‑сообщения и личные встречи возникают и затухают в течение дня. Игнорирование этого ритма может привести к неудачным решениям — например, выбрать того, кто выглядит центральным на бумаге, но фактически не активен в критический временной интервал, когда влияние должно распространяться.

Слушая пульс взаимодействий

Авторы утверждают, что точные моменты взаимодействий — вплоть до последовательности и интервалов между событиями — несут важные подсказки о том, кто действительно влияет на других. Их рамочная модель TempRL-IM рассматривает каждый контакт в сети как событие с отметкой времени, подобно записи в подробном журнале. Вместо того чтобы дробить время на грубые отрезки, она использует нейронную сеть на графе в непрерывном времени — тип модели машинного обучения, которая поддерживает память для каждого человека в сети. Каждый раз, когда два человека взаимодействуют, обновляются их состояния памяти, учитывая не только кто с кем общался, но и как недавно и как часто. Темпоральный механизм внимания затем фокусируется на наиболее релевантных прошлых соседях и моментах, превращая развивающееся «состояние» каждого человека в компактный числовой отпечаток.

Обучение ИИ выбирать правильных посланников

После того как изменяющиеся паттерны сети были закодированы, TempRL-IM передаёт эти отпечатки в модуль принятия решений на основе глубокого обучения с подкреплением. Здесь агент ИИ учится методом проб и ошибок выбирать небольшую группу «исходных» индивидов в заданный момент наблюдения. В симуляциях распространения влияния после этой точки агент получает более высокие награды, когда выбранные им истоки запускают большие каскады. В ходе множества итераций он открывает тонкие временные стратегии — например, отдавать предпочтение людям, которые становятся активны именно в момент запуска кампании, или тем, чьи контакты сгущаются в ключевые периоды. Важно, что модель уважает причинно‑следственные связи: при принятии решений она никогда не заглядывает в будущее и опирается только на прошлые и текущие события.

Доказательство преимуществ на реальных данных

Чтобы проверить TempRL-IM, исследователи применили его к шести реальным временным сетям, включая корпоративные обмены электронной почтой, личные сообщения на студенческих платформах, отношения доверия на рынке криптовалют и физическую близость пользователей мобильных телефонов. Они сравнили свой метод с популярными статическими и снимками‑основанными алгоритмами, а также с недавними методами глубокого обучения. На всех наборах данных и при разных размерах множества истоков TempRL-IM стабильно активировал больше людей — обычно на 15–28 процентов больше по сравнению с сильнейшими конкурентами на основе обучения — при этом выбирал истоки в три–десять раз быстрее во время принятия решения. Метод также показывал устойчивость в условиях шума, когда некоторые взаимодействия были удалены, неправильно помечены по времени или внезапно усилены, и хорошо переносился с одной сети на другую при схожих паттернах активности.

Что это значит для повседневных приложений

Проще говоря, исследование показывает: выбор людей для воздействия определяется не только их положением в сети, но и временем их связей. Моделируя сети как живые, чувствительные ко времени структуры и обучая ИИ использовать эти временные шаблоны, TempRL-IM может выявлять лучших посланников для маркетинга, ранние цели для вакцинации или информационных кампаний, а также более эффективные точки контроля в коммуникационных или транспортных системах. Ключевой вывод прост: время и последовательность имеют значение, и инструменты, охватывающие полную временную картину наших взаимодействий, способны принимать более умные и быстрые решения в сложных, постоянно меняющихся сетях, которые формируют нашу жизнь.

Цитирование: 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

Ключевые слова: максимизация влияния, динамические социальные сети, нейронные сети на графах, обучение с подкреплением, диффузия информации