Mejoras en ocultamiento de pertenencia a comunidades mediante una arquitectura especializada de aprendizaje por refuerzo

Resumen

A medida que las redes complejas enfrentan un análisis algorítmico cada vez más avanzado, la capacidad de ocultar afiliaciones estructurales específicas ha emergido como un problema algorítmico relevante de grafos. Las plataformas actuales dependen de técnicas sofisticadas para caracterizar y agrupar usuarios con el fin de ofrecer contenido y servicios más contextualizados. Uno de estos enfoques se basa en algoritmos de detección de comunidades aplicados a grafos de gran tamaño. En este contexto, los usuarios quedan caracterizados por preferencias o atributos que pueden revelar información sensible. El Ocultamiento de Pertenencia a Comunidades es el problema de reconfigurar estratégicamente la topología de la red para camuflar un nodo objetivo y evadir su detección por algoritmos de agrupamiento. Si bien los enfoques recientes de Aprendizaje por Refuerzo Profundo han sido pioneros en esta línea, suelen presentar problemas de eficacia y escalabilidad en grafos grandes. Al analizar modelos del estado del arte, identificamos una limitación arquitectónica crítica: los agentes evalúan la red de forma global sin condicionar explícitamente sobre el nodo objetivo, y dependen de embeddings estáticos que no capturan los cambios topológicos en tiempo real durante la reconfiguración. En este trabajo, introducimos una nueva arquitectura diseñada para superar estas limitaciones fundamentales. Proponemos un sistema Actor-Crítico impulsado por Redes de Atención de Grafos v2 (GATv2). Al aprovechar un conjunto de atributos orientado al nodo objetivo que combina indicadores estáticos del grafo original con señales estructurales actualizadas dinámicamente, y al contextualizar explícitamente el nodo objetivo mediante un mecanismo de atención dinámica, nuestro modelo representa con precisión el estado evolutivo del grafo. Una evaluación experimental extensa confirma que nuestra arquitectura supera significativamente a las líneas de base existentes, alcanzando altas tasas de ocultamiento con perturbación estructural mínima y mejoras notables en eficiencia computacional.