Zamanın etkisini maksimize etme: Sürekli zamanlı grafik sinir ağları ve derin pekiştirmeli öğrenme

Neden zamanlamanın önemi var?

Viral videolardan hastalık yayılmasına kadar, modern yaşamın birçok yönü insanların oluşturduğu ağlarda gerçekleşen dalgalarla bağlantılıdır. Şirketler bir reklamın nasıl çığ gibi büyüyeceğini bilmek için kimi hedefleyeceklerini öğrenmek ister. Halk sağlığı yetkilileri ise bir salgını durdurmak için önce kimi aşılayacaklarını bilmek ister. Ancak bu kilit kişileri seçmek için kullanılan çoğu araç, ağları donmuş gibi ele alır; oysa gerçek etkileşimler an be an ortaya çıkar ve kaybolur. Bu makale, zaman akışını ciddiye alan ve bağlantıların tam zamanlamasını kullanmanın hızlı değişen sosyal sistemlerde bilgiyi ve etkiyi yönlendirme yeteneğimizi önemli ölçüde artırabileceğini gösteren yeni bir yaklaşım olan TempRL-IM’i tanıtıyor.

Statik haritalardan canlı ağlara

Ağlardaki etkinin geleneksel çalışmaları basit bir soruyla başlar: küçük bir insan grubunu “etkinleştirebilseydiniz” —örneğin onlara ücretsiz örnekler veya hayati uyarılar göndererek— hangi kişiler en büyük zincir reaksiyonunu başlatırdı? Eski yöntemler bunu, kim kiminle bağlı diye bakılan sabit bir görünüm üzerinden cevapladı. Eğer A kişinin B ile bağlantısı varsa, o bağın her zaman etkiyi iletmeye açık olduğunu varsaydılar. Oysa gerçek sistemler nadiren bu kadar kararlıdır. E-posta yazışmaları, telefon görüşmeleri, çevrimiçi mesajlar ve yüz yüze karşılaşmalar gün içinde dalgalanır. Bu ritmi görmezden gelmek, kağıt üzerinde merkezi görünen ama etkinliğin yayılması gereken kritik zaman penceresinde aslında hareketsiz olan birini seçmek gibi kötü kararlar doğurabilir.

Etkileşimin nabzını dinlemek

Yazarlar, insanların ne zaman etkileştiğinin —olayların sırası ve aralıklarına kadar— gerçekten etkili olanları belirleyen hayati ipuçları taşıdığını ileri sürüyor. TempRL-IM çerçevesi, ağdaki her teması zaman damgalı bir olay olarak ele alır; sanki ayrıntılı bir günlük kaydı gibidir. Zamanı kaba dilimlere bölmek yerine, her kişiye bir bellek tutan sürekli zamanlı bir grafik sinir ağı kullanır. İki kişi her etkileştiğinde, her iki kişinin belleği güncellenir; kimin kimle konuştuğunun yanı sıra ne kadar yakın zamanda ve ne sıklıkla görüştükleri de dikkate alınır. Zamansal bir dikkat mekanizması ise en ilgili geçmiş komşulara ve anlardaki önem taşıyan noktalara odaklanarak her kişinin evrilen “durumunu” sıkıştırılmış bir sayısal parmağa dönüştürür.

Doğru habercileri seçmeyi bir yapay zekâya öğretmek

Ağın değişen örüntüleri kodlandığında, TempRL-IM bu parmak izlerini derin pekiştirmeli öğrenmeye dayanan bir karar verme modülüne aktarır. Burada bir yapay zekâ ajanı, belli bir gözlem zamanında küçük bir “tohum” birey seti seçmeyi deneme-yanılma yoluyla öğrenir. O andan sonra etkinin nasıl yayılacağını simüle ederken, seçtiği tohumlar büyük kaskadlar başlattığında ajan daha yüksek ödül alır. Birçok tur boyunca, kampanya başlatıldığında aktif hale gelenleri ya da kritik dönemlerde bağlantıları kümelenenleri tercih etmek gibi ince zamansal stratejiler keşfeder. Kritik olarak, model nedenselliğe saygı duyar: karar oluştururken asla geleceğe bakmaz; yalnızca geçmiş ve mevcut olaylara dayanır.

Gerçek veri üzerinde faydaları kanıtlamak

TempRL-IM’i test etmek için araştırmacılar bunu altı gerçek zamanlı ağa uyguladı; bunlar arasında şirket içi e-posta yazışmaları, üniversite sosyal platformlarındaki özel mesajlar, bir kripto para pazarındaki güven ilişkileri ve mobil telefon kullanıcıları arasındaki fiziksel yakınlık yer aldı. Yöntemlerini popüler statik ve anlık görüntü tabanlı algoritmalarla ve yakın tarihli derin öğrenme yaklaşımlarıyla karşılaştırdılar. Tüm veri setlerinde ve farklı tohum sayıları için TempRL-IM tutarlı şekilde daha fazla kişiyi etkinleştirdi—genellikle en güçlü öğrenme tabanlı rakiplere göre %15 ila %28 daha fazla—ve karar anında tohum seçimini üç ila on kat daha hızlı yaptı. Yöntem, bazı etkileşimlerin kaldırıldığı, yanlış zamanlandığı veya aniden yoğunlaştığı gürültülü koşullarda da dayanıklılığını korudu ve benzer etkinlik örüntülerine sahip ağlar arasında iyi transfer oldu.

Günlük uygulamalar için ne anlama geliyor?

Basitçe söylemek gerekirse, bu çalışma kimin etkilenmesi gerektiğinin sadece ağdaki konumlarına değil, aynı zamanda ne zaman bağlandıklarına da bağlı olduğunu gösteriyor. Ağları yaşayan, zaman farkındalığı olan yapılar olarak modelleyip bir yapay zekâyı bu zamansal örüntülerden yararlanacak şekilde eğiterek, TempRL-IM pazarlama için daha iyi habercileri, aşılama veya bilgilendirme kampanyaları için daha erken hedefleri ve iletişim ya da ulaşım sistemlerinde daha etkili kontrol noktalarını belirleyebilir. Temel sonuç basit: zamanlama ve sıra önemlidir ve etkileşimlerimizin tam zaman çizelgesini benimseyen araçlar, yaşamlarımızı şekillendiren karmaşık, sürekli değişen ağlarda daha akıllı, daha hızlı kararlar alabilir.

Atıf: 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

Anahtar kelimeler: etki maksimizasyonu, dinamik sosyal ağlar, graf sinir ağları, pekiştirmeli öğrenme, bilgi yayılımı