Understanding gamily networks: detecting influential nodes through graph-based supervised learning

Abstract

Les xarxes familiars juguen un paper fonamental en les nostres decisions, incloent-hi la utilització de serveis en línia. Aquest estudi investiga la identificació d'individus influents dins de les xarxes familiars per maximitzar la difusió de la influència. S'han generat xarxes familiars dinàmiques utilitzant un simulador basat en agents (OMNeT++). Posteriorment, s'ha utilitzat una Xarxa Neuronal de Grafs (GNN) per predir els nodes més influents. Els resultats mostren que la GNN prediu amb alta precisió (94%) la difusió de la influència segons el Model de Cascada Independent (ICM), superant algoritmes tradicionals. Tanmateix, el seu rendiment va disminuir en el Model de Llindar Lineal (LTM) més complex. Això suggereix que caldran arquitectures GNN més sofisticades per a escenaris més complexos. En conclusió, aquest estudi demostra el potencial de les GNN per identificar individus influents en xarxes familiars, tot i que caldrà més recerca per optimitzar la predicció en escenaris complexos.

Las redes familiares desempeñan un papel fundamental en nuestras decisiones, incluyendo la utilización de servicios en línea. Este estudio investiga la identificación de individuos influyentes en redes familiares para maximizar la difusión de influencia. Utilizando un simulador basado en agentes (OMNeT++), se han generado redes familiares dinámicas. Posteriormente, hemos utilizado una Red Neuronal de Grafos (GNN) para predecir los nodos más influyentes. Los resultados muestran que la GNN predice con alta precisión (94%) la difusión de influencia según el Modelo de Cascada Independiente (ICM), superando a algoritmos tradicionales. Sin embargo, su rendimiento disminuyó en el Modelo de Umbral Lineal (LTM) más complejo. Esto sugiere que se requieren GNN más sofisticadas para escenarios más complejos. En conclusión, este estudio demuestra el potencial de las GNN para identificar individuos influyentes en redes familiares, aunque se necesita un trabajo adicional para optimizar la predicción en escenarios complejos.

Family networks play a pivotal role in shaping our decisions, influencing our interactions with online services, and impacting the utilization of communication network resources. This research investigates the identification of influential individuals within family networks that maximize the spread of influence. Family networks were generated using an agent-based simulator in OMNeT++. Subsequently, a Graph Neural Network (GNN) model was employed to predict the most influential nodes. Results demonstrate that the GNN effectively approximates the influence spread for the Independent Cascade Model (ICM) achieving 94% maximum influence in significantly less time than a traditional algorithm. However, its performance decreased for the more complex Linear Threshold Model (LTM). This suggests that more complex GNN architectures, incorporating additional layers and neurons, may be required to accurately predict influence spread in scenarios with intricate interdependencies, as exemplified by the LTM model.