Kredit:CC0 Public Domain
Det sociala nätverket Linkedin kommer att berätta för en användare hur han/hon är ansluten till en annan. I verkligheten, kopplingspunkter är inte alltid så tydliga. Dock, att identifiera mönster eller relationer och gemensamma drag mellan enheter är en uppgift som är avgörande för företag, biologer, läkare, patienter med mera.
Ett nytt beräkningsverktyg utvecklat i labbet vid USC Viterbi School Ming Hsieh Department of Electrical and Computer Engineering professor Paul Bodgan i samarbete med Ming Hsieh professor Edmond Jonckheere, kan snabbt identifiera de dolda kopplingarna och sambanden mellan grupper/objekt/personer med större noggrannhet än befintliga verktyg.
Forskarna i Bogdans labb är ungefär som detektiver och pusslet de försöker ta reda på är hur en ledtråd, person, objekt eller åtgärd är kopplad till och relaterad till en annan enhet. Föreställ dig ett labb dedikerat till en vetenskaplig "Sex grader av ..." för att upptäcka dolda ömsesidiga relationer. Problemet de tar itu med är känt av forskare som studerar komplexa nätverk som "community detection-problemet" - identifiera och kartlägga vilka individer eller föremål som har gemensamt och hur de är sammankopplade.
Ett sådant beräkningsverktyg skulle kunna utnyttjas av olika grupper:politiska strateger som försöker hitta väljarnas överlappande värderingar eller delade attribut; eller biologer som vill förutsäga potentialen för ett läkemedels biverkningar eller interaktioner - utan att köra flera års levande experiment. Deras forskning används också för att identifiera vilka delar av hjärnan som arbetar med samma funktioner - en nyckelinformation för neuroforskare och individer som lider av hjärnskador för att förutse om vissa delar av hjärnan kan ta över funktionaliteten för skadad vävnad. Man kan också föreställa sig detta labbs algoritm som arbetar med att hitta kontaktpunkter på till synes orelaterade information.
Deras senaste tidning, med titeln "Olivier-Ricci Curvature-Based Method to Community Detection in Complex Networks", i tidskriften Nature Vetenskapliga rapporter , dokumenterar den metod gruppen har utvecklat för att skapa detta förbättrade verktyg.
Metod/Proof of Concept:
Ph.D. kandidat Jayson Sia som arbetade med forskningen indikerar att algoritmen de utvecklade, den Ollivier-Ricci curvature (ORC)-baserad gemenskapsidentifiering, testades och validerades på fyra kända verkliga datamängder, fältet för vilket målet är att hitta kopplingspunkten mellan "noderna" eller individer/enskilda objekt i en grupp genom att titta på länkarna mellan dem eller vad som är känt i teknisk jargong som "kanter". Datauppsättningarna inkluderar ett nätverk för interaktion mellan droger, Zacharys karateklubb; en college fotboll konferens anslutningar; och en uppsättning av över 1000 politiska bloggar.
Säger huvudförfattaren Sia, "I det här pappret, vi använde ett nytt geometriskt tillvägagångssätt via Ollivier-Ricci-kurvaturen som erbjuder en naturlig metod för att upptäcka inneboende nätverksgemenskapsstrukturer.
Krökning i det geometriska sammanhanget, förklarar Sia, "mäter i huvudsak hur en yta avviker från att vara platt (eller hur en yta 'kurvor'). Ytornas geometri är relaterad till studiet av kartprojektioner och hur avstånd mäts i en krökt yta som jorden. Ollivier-Ricci krökning utvidgar detta koncept av "krökning" till nätverk med positivt böjda kanter som är "väl sammankopplade" och naturligt bildar en "gemenskap". Negativt böjda kanter å andra sidan tolkas som "broar" mellan samhällen och att skära av sådana kanter skulle isolera informationsflödet mellan samhällen."