بسیاری از داده های مربوط به شبکه های تعاملی را می توان به صورت گراف مدل سازی نمود؛ به این ترتیب که موجودیت ها تشکیل دهنده گره های گراف هستند و ارتباطات میان این موجودیت ها، یال های گراف را می سازند. در اغلب موارد گره های گراف قابل تشخیص اند اما نحوه ارتباط این گره ها با یکدیگر نامشهود است. برای مثال در انتشار یک بیماری، افرادی که مورد سرایت واقع شده اند، مشخص هستند اما نمی توان به صراحت گفت که هر یک از این افراد، توسط چه فردی به بیماری آلوده شده است. به علاوه شبکه ها اغلب ساختاری پویا دارند؛ به این معنا که ارتباطات میان گره های گراف، در طول زمان تغییر می یابد. در چنین شرایطی دانستن ارتباطات میان گره های گراف می تواند بسیار سودمند باشد. تا به حال روش های گوناگونی برای تشخیص ساختار شبکه های پویا ارائه شده است که یکی از موثرترین آن ها «تشخیص ساختار شبکه ها بر اساس انتشار سیگنال» است. این سیگنال ها مواردی مانند بیماری، خبر، نقل قول، خرید کالا و ... را شامل می شود. در این ‍ بین شبکه های علامت دار تا حدود زیادی مغفول مانده اند و تا به حال روشی که ساختار این شبکه ها را بر اساس انتشار سیگنال تخمین بزند، ارائه نشده است. در این پژوهش، هدف اعمال یکی از برترین الگوریتم های ارائه شده برای تشخیص ساختار شبکه های پویای بدون علامت بر اساس انتشار سیگنال، بر روی شبکه های پویای علامت دار است. این الگوریتم که تنها از ویژگی های زمانی آبشارها بهره می برد، در این پروژه بر اساس اطلاعات جانبی آبشارها بهبود داده شده و سپس بر روی شبکه های پویای علامت دار اعمال شده است. الگوریتم ارائه شده در این پروژه برای تشخیص یال های شبکه و علامت آن ها تنها از داده های مربوط به جریان های اطلاعاتی شبکه استفاده می کند و بر خلاف معیارهای رتبه دهی رایج که در روش های یادگیری ماشین به کار می روند، از دانستن ساختار اولیه شبکه بی نیاز است؛ از این رو می تواند برای تشخیص ساختار شبکه هایی که اطلاعات محدودی از ساختار فعلی آن ها در دسترس است، بسیار سودمند باشد.