Интеграция методов машинного обучения для выявления критических узлов в сложных сетях

Почему важно находить ключевые точки в сетях

От социальных сетей и авиамаршрутов до электросетей и почтовых систем — многие аспекты современной жизни можно рассматривать как сети. В этих паутинах связей некоторые точки — люди, аэропорты, электростанции или компьютеры — имеют гораздо большее значение, чем другие. Выявление таких критических точек помогает замедлить эпидемии, защитить инфраструктуру и эффективно распространять информацию. В этой работе рассматривается, как современные методы машинного обучения превосходят традиционные подходы при обнаружении этих ключевых точек, особенно когда по сети действительно что‑то распространяется.

Традиционные способы обнаружения важных точек

В течение десятилетий исследователи использовали простые структурные показатели, называемые мерами центральности, чтобы определить, какие узлы в сети наиболее важны. Эти показатели учитывают такие характеристики, как количество прямых связей узла, насколько близко он расположен ко всем остальным или как часто он лежит на кратчайших путях между парами узлов. Хотя такие меры полезны, у них есть недостатки. Некоторые рассматривают только непосредственное окружение узла и упускают общую картину. Другие учитывают всю сеть, но становятся дорогостоящими в вычислении по мере роста сети. И что важнее, они предполагают, что структурного положения узла достаточно, чтобы предсказать, насколько сильно он повлияет на реальный процесс распространения, например вспышку болезни или вирусное сообщение.

Добавление поведения распространения в уравнение

Чтобы преодолеть этот разрыв, авторы явно моделируют, как нечто распространяется по сети, и используют результаты этих моделирований, чтобы обучить модели машинного обучения тому, как выглядят по‑настоящему влиятельные узлы. Они опираются на две распространённые эпидемиоподобные модели. В одной каждый узел может быть восприимчивым, инфицированным или выздоровевшим, и инфекция передаётся по связям с заданной вероятностью. В другой каждый вновь инфицированный узел получает одну попытку заразить своих соседей. Путём многократного моделирования этих процессов с каждого стартового узла авторы измеряют, какого размера вспышку может вызвать каждый узел. Размеры этих вспышек затем преобразуются в набор меток, группирующих узлы по уровням влияния — от слабых источников распространения до очень сильных.

Обучение машин распознавать «мощные» узлы

После присвоения метки каждому узлу авторы формируют профиль признаков, сочетающий структурную информацию и условия распространения. Для каждого узла они собирают стандартные показатели центральности — отражающие локальную связность, глобальную позицию и силу соседей — а также включают коэффициент заражения, использованный в моделированиях. Эти значения нормализуются, чтобы метод мог адаптироваться к сетям очень разных размеров. С этим размеченным набором данных они обучают ряд готовых моделей машинного обучения, включая деревья решений, случайные леса, опорные векторные машины, логистическую регрессию, k‑ближайших соседей и нейронные сети. Авторы также разрабатывают гибридный подход, который сначала группирует узлы с похожими признаками в кластеры с помощью K‑means, а затем отдельно обучает классификатор опорных векторов внутри каждого кластера. Этот гибридный подход направлен на улавливание тонких нелинейных закономерностей без перегрузки сложностью всей сети.

Тестирование методов

Авторы оценивают свою систему на семи реальных сетях, охватывающих авиамаршруты, дорожные системы, научные коллаборации, биологические сети и обмены электронной почтой. Они сравнивают модели машинного обучения с классическими показателями центральности в двух основных сценариях. В первом модели обучаются и тестируются на разных частях одной и той же сети. Здесь гибридный метод кластеризации с последующей классификацией постоянно достигает наивысшей точности, точности положительных срабатываний (precision), полноты (recall) и F1‑меры, часто превосходя традиционные меры центральности на 15–45 процентных пунктов при классификации узлов по уровням влияния. Во втором сценарии модели обучаются на одной сети и тестируются на другой. В этом более сложном кросс‑сетевом случае классические показатели на основе промежуточности (betweenness) как правило превосходят модели машинного обучения, что подчёркивает: шаблоны, выученные в одной структуре, не всегда хорошо переносятся на другую.

Практические выводы

В ситуациях, когда мы можем позволить себе запускать детальные моделирования на данной сети — например, конкретной электросети, социальной платформе или транспортной системе — предложенная рамочная схема машинного обучения предлагает более точный и масштабируемый способ выявлять наиболее влиятельные узлы, чем опора только на структуру. Объединяя данные о том, как узлы связаны, с тем, как на практике течёт заражение, и используя разумный гибрид кластеризации и классификации, метод может надёжнее выделять те немногие элементы, чья неисправность или активация принесла бы наибольшие последствия. При этом результаты напоминают, что ни одна модель не является лучшей во всех ситуациях: простые структуры‑основанные показатели всё ещё могут быть предпочтительны, когда требуется обобщение с одной сети на другую без новых моделирований.

Цитирование: 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

Ключевые слова: влиятельные узлы, сложные сети, машинное обучение, распространение эпидемий, центральность сети