Die Gukov-Synthese überträgt Methoden aus zwei aktuellen Arbeiten zu maschinellem Lernen in der reinen Mathematik (Fagan et al., Two-Hump Problem; Butbaia et al., HRL for Sparse-Reward Search, beide ICML 2026) auf ein gesellschaftlich relevantes Netzwerkproblem: die Struktur des deutschen Lobbyregisters. Der übertragbare Kern ist nicht „KI für Mathematik“, sondern die Idee, seltene kritische Konfigurationen als beschränkte Suche über einem Graphen zu verstehen, deren Erfolg ein billiges, deterministisches Orakel prüft — hier: Konnektivitätseigenschaften des realen, öffentlichen Lobbyregister-Netzwerks.
Netzwerkgrundlage
Bipartiter Graph Personen↔Organisationen aus 28.358 Lobbyregister-Personendatensätzen (Lobbyisten, gesetzliche Vertreter, beauftragte Personen), 19.442 eindeutige Personen, 4.651 Organisationen.
Bimodalität: heil oder Kollaps?
Reagiert das Netzwerk graduell oder bimodal („heil oder Kollaps, nichts dazwischen“) auf zufälligen Ausfall von Knoten? Hartigan-Dip-Test über 3.000 Zufalls-Ausfallmengen: statistisch signifikant bimodal (Dip=0,0357, p<0,0001).
Brücken-Rollen (nicht Brücken-Personen)
Pfad-Sampling zwischen 2.000 zufälligen Organisationspaaren: welche Rolle (nicht welche Person) tritt am häufigsten als Zwischenglied auf? Stabil über 5 Bootstrap-Teilstichproben.
| Rolle | Anteil / Share |
|---|---|
| Beauftragte Person / Entrusted person | 65,4 % |
| Gesetzlicher Vertreter / Legal representative | 34,6 % |
| Lobbyist (natürliche Person) / Natural-person lobbyist | 0 % |
Kritische Organisationsknoten (exakt, CP-SAT)
Critical-Node-Detection-Problem (Arulselvan et al. 2009), exakt gelöst via CP-SAT (ortools) für Budget k=1…5 auf der größten Organisations-Komponente. Alle fünf Instanzen optimal in <0,03 s gelöst.
Gate-Entscheidung: Exakte Methoden skalieren mühelos — bekräftigtes Suchverfahren (RL) war nicht gerechtfertigt und wurde nicht gebaut. Ehrliche Einschränkung: bei nur 31 Knoten in der größten Komponente ist das erwartbar; ein größeres, dichteres Netzwerk könnte das Bild ändern.
typb.entity_map (PostgreSQL) wurde nicht als generelle Infrastruktur gebaut — alle Analysen laufen direkt auf den realen Lobbyregister-Personendaten. Ein Surrogat-Klassifikator (RandomForest) zur schnellen Kritikalitäts-Schätzung wurde gebaut und mit gruppiertem Train/Test-Split gegen ein früheres Datenleck korrigiert.