في عالم الشبكات المعقدة، تحديد النقاط المؤثرة يُعتبر مهمة حيوية لها تطبيقات واسعة في مجالات متنوعة. غير أن الأساليب الحالية غالبًا ما تواجه صعوبة في تحقيق التوازن بين الدقة وكفاءة الحساب. هنا يأتي دور نموذج 1D-CGS، النموذج الهجين الأمثل الذي يستفيد من سرعة الشبكات العصبية التلافيفية أحادية البعد (1D-CNN) وقوة تمثيل GraphSAGE لتصنيف النقاط بكفاءة عالية.

يعتمد نموذج 1D-CGS على تمثيل إدخالي مبسط يتكون من ميزتين طوبوغرافيتين هامتين: درجة النقطة ومتوسط درجة الجوار. يتم معالجة هذه الميزات من خلال التلافيفات أحادية البعد لاستخراج الأنماط المحلية، تليها طبقات GraphSAGE لدمج معلومات الحي.

لتحديد النقاط المؤثرة بدقة، تم صياغة مهمة التصنيف كمشكلة انحدار حيث تم استخدام نموذج Susceptible-Infected-Recovered (SIR) لتوليد درجات التأثير الحقيقية.

خلال التجارب على اثني عشر شبكة حقيقية، أثبت 1D-CGS تفوقه الكبير على المقاييس التقليدية للتمركز وأحدث نماذج التعلم العميق. حيث حقق تحسينًا متوسطًا بنسبة 4.73% في ارتباط كيندال (Kendall's Tau) و7.67% في تشابه جاكارد (Jaccard Similarity) مقارنة مع أفضل الأسس المتاحة.

علاوةً على ذلك، حصل النموذج على درجة مؤشر أحادي (Monotonicity Index) بلغت 0.99، مما يشير إلى توزيع تصنيفات فريدة ويحقق درجة تصنيف ممتازة. كل هذه التجارب تؤكد أن 1D-CGS يعمل في أوقات معقولة جدًا، مما يجعله مناسبًا للتطبيقات واسعة النطاق.

إذا كنت تبحث عن طريقة جديدة لفهم وتطبيق تصنيف النقاط المؤثرة في الشبكات، فإن هذا النموذج هو الخيار المثالي لتحقيق نتائج مبهرة.