Гібридна асинхронна модель клітинних автоматів SEIR-LT для поширення інформації у соціальних мережах
Анотація
Наведено гібридну асинхронну модель клітинних автоматів для моделювання процесів поширення інформації у соціальних мережах, де поєднано функціонал класичних компартментних структур (Сприйнятливі-Експоновані-Інфіковані-Видужалі) з теорією лінійного порогу. Застосовано індивідуалізований механізм оновлення станів користувачів для максимально точної фіксації часової неоднорідності: кожному учаснику мережі призначаються унікальні інтервали активності замість одночасного переходу об'єктів усієї популяції. З'ясовано, що такий асинхронний підхід до моделювання дещо детальніше характеризує реальну поведінку людей, які реагують на зовнішні подразники з різною швидкістю та увагою. Введено методику узагальненого порогу GLT (англ. Generalized Threshold Model) для визначення ймовірності переходу користувача в активний стан – момент, коли соціальний вплив оточення перевищує індивідуальний поріг опору, змушуючи її прийняти інформацію. Охарактеризовано закономірності розвитку гетерогенної популяції користувачів з виділенням класів впливових та стійких учасників мережі. Встановлено, що відмова від глобальної синхронізації користувачів дає змогу повністю усунути нереалістичні хвилеподібні артефакти, притаманні для традиційних обчислень. Протестовано функціонування спроєктованої архітектури асинхронних клітинних автоматів із використанням методології Монте-Карло на двовимірній сітці. Оцінено вплив часової гетерогенності на середній обсяг каскаду, який продемонстрував зростання від 5,93 % за умов повного синхронізму до 6,17 % у локалізованих неоднорідних конфігураціях. Виявлено істотне підвищення загальної ймовірності масштабного поширення інформації: запропонований механізм забезпечив успішну передачу імпульсу у 96 % зі 100 макроскопічних ітерацій порівняно з тільки 88 % за традиційних обмежень. Зафіксовано природне згладжування інтенсивності процесу, що підтверджується зниженням пікової поширеності (максимальної частки популяції, що перебуває в інфікованому стані та активно поширює інформацію) від 0,99 до 0,92 % та ефективним перерозподілом навантаження впродовж дещо тривалішого відрізка етапів дослідження. Досліджено вплив параметрів на розроблену модель асинхронних клітинних автоматів та проаналізовано фазовий перехід базової ймовірності з критичною точкою близько рівня 0,25. Виявлено фундаментальну асиметрію поширення інформації в мережі: запустити масштабні інформаційні каскади за допомогою малої кількості впливових користувачів значно легше, ніж придушити їх збільшенням кількості стійких учасників мережі. Розроблену асинхронну модель клітинних автоматів запропоновано використовувати для прогнозування та тестування стратегій стримування небажаного контенту.
Завантаження
Посилання
Burgio, G., Arenas, A., Gómez, S., & Matamalas, J. T. (2021). Network clique cover approximation to analyze complex contagions through group interactions. Communications Physics, 4, article number 111. https://doi.org/10.1038/s42005-021-00618-z
Cencetti, G., Battiston, F., Lepri, B., & Karsai, M. (2021). Temporal properties of higher-order interactions in social networks. Scientific Reports, 11, article ID 7028. https://doi.org/10.1038/s41598-021-86469-8
Chen, W., Wang, Y., & Yang, S. (2009). Efficient influence maximization in social networks. In Proceedings 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 199–208). https://doi.org/10.1145/1557019.1557047
Fatès, N. (2014). A Guided Tour of Asynchronous Cellular Automata. Journal of Cellular Automata, 9(5-6), 387–416. URL: https://inria.hal.science/hal-00908373v5/document
Granovetter, M. (1978). Threshold models of collective behavior. American Journal of Sociology, 83(6), 1420–1443. https://doi.org/10.1086/226707
Guilbeault, D., & Centola, D. (2021). Topological measures for identifying and predicting the spread of complex contagions. Nature Communications, 12, article ID 4430. https://doi.org/10.1038/s41467-021-24704-6
Lin, Z., Han, L., Feng, M., Liu, Y., & Tang, M. (2024). Higher-order non-Markovian social contagions in simplicial complexes. Communications Physics, 7, article number 175. https://doi.org/10.1038/s42005-024-01666-x
Moreno, Y., Nekovee, M., & Pacheco, A. F. (2004). Dynamics of rumor spreading in complex networks. Physical Review E, 69(6), article ID 066130. https://doi.org/10.1103/PhysRevE.69.066130
Ran, Y., Deng, X., Wang, X., & Jia, T. (2020). A generalized linear threshold model for an improved description of the spreading dynamics. AIP Advances, 10, article ID 085223. https://doi.org/10.1063/5.0011658
Sirakoulis, G. C., Karafyllidis, I., & Thanailakis, A. (2000). A cellular automaton model for the effects of population movement and vaccination on epidemic propagation. Ecological Modelling, 133(3), 209–223. https://doi.org/10.1016/S0304-3800(00)00294-5
St-Onge, G., Sun, H., Allard, A., Hébert-Dufresne, L., & Bianconi, G. (2021). Universal nonlinear infection kernel from heterogeneous exposure on higher-order networks. Physical Review Letters, 127(15), article ID 158301. https://doi.org/10.1103/PhysRevLett.127.158301
Torskyi, O. I., & Hrytsiuk, Y. I. (2025). Application of machine learning to enhance the efficiency of automated software testing. Scientific Bulletin of UNFU, 35(4), 142-149. https://doi.org/10.36930/40350416
Vorobiov, Ye. S., Pavlenko, M. A., Khliebnikov, Ye. Yu., & Hladyshev, M. H. (2018). Using cellular automata in the method of selecting flight route variants for strike aircraft. Systemy ozbroiennia i viiskova tekhnika, 1(53), 84–90. https://doi.org/10.30748/soivt.2018.53.12
Weng, L., Flammini, A., Vespignani, A., & Menczer, F. (2012). Competition among memes in a world with limited attention. Scientific Reports, 2, article ID 335. https://doi.org/10.1038/srep00335
Wolfram, S. (2002). A New Kind of Science. Champaign, IL: Wolfram Media. URL: https://horizons-2000.org/92.%20Misc%20 Files/Reading/Wolfram%20%20A%20New%20Kind%20of%20 Science.pdf
