Incertidumbre en la predicción de citaciones para nuevas publicaciones mediante redes neuronales de grafos heterogéneas

Abstract

La predicción del número de citaciones, como indicador clave del impacto académico, representa un desafío crítico en la evaluación de la producción científica. Sin embargo, la incertidumbre asociada a estas predicciones es fundamental para interpretar resultados y sustentar decisiones estratégicas. En este trabajo, proponemos un modelo probabilístico basado en una red neuronal convolucional de grafos que aprovecha su estructura dinámica y heterogénea para predecir series temporales de citaciones en nuevas publicaciones. Nuestro enfoque incorpora estimaciones cuantificables de incertidumbre mediante capas de Dropout y se implementa en TensorFlow 2, optimizando su escalabilidad y eficiencia computacional. Los resultados experimentales muestran un error cuadrático medio competitivo en comparación con méto- dos baseline, validando la capacidad del modelo para capturar patrones complejos en datos temporales. Además, la migración a TensorFlow 2 permite una integración directa con métodos de incertidumbre para su generalización a redes neuronales Bayesianas.