La red social Linkedin le dirá a un usuario cómo está conectado con otro. En la vida real, los puntos de conexión no siempre son tan evidentes. Sin embargo, identificar patrones o relaciones y puntos en común entre entidades es una tarea que es una ventaja de importancia crítica para las empresas, biólogos, doctores pacientes y más.

Una nueva herramienta computacional desarrollada en el laboratorio de la USC Viterbi School Ming Hsieh, profesor del Departamento de Ingeniería Eléctrica e Informática, Paul Bodgan, en colaboración con el profesor de Ming Hsieh, Edmond Jonckheere, es capaz de identificar rápidamente las afiliaciones e interrelaciones ocultas entre grupos / elementos / personas con mayor precisión que las herramientas existentes.

Los investigadores del laboratorio de Bogdan son algo así como detectives y el rompecabezas que están tratando de resolver es cómo una pista, persona, el elemento o la acción está conectado y relacionado con otra entidad. Imagínese un laboratorio dedicado a un científico "Seis grados de ..." para descubrir interrelaciones ocultas. El problema que están abordando es conocido por los investigadores que estudian redes complejas como el "problema de detección de la comunidad":identificar y trazar un mapa de qué individuos o elementos tienen en común y cómo están conectados.

Esta herramienta computacional podría ser aprovechada por varios grupos:estrategas políticos que intentan encontrar los valores superpuestos o los atributos compartidos de los votantes; o biólogos que quieran predecir el potencial de los efectos secundarios o las interacciones de un fármaco, sin llevar a cabo años de experimentos en vivo. Su investigación también se está implementando para identificar qué partes del cerebro están trabajando en las mismas funciones, una pieza clave de información para que los neurocientíficos y las personas que sufren daño cerebral puedan anticipar si ciertas áreas del cerebro podrían asumir la funcionalidad del tejido lesionado. También se puede imaginar el algoritmo de este laboratorio trabajando para encontrar puntos de contacto en información aparentemente no relacionada.

Su artículo reciente, titulado "Método basado en la curvatura de Ollivier-Ricci para la detección de comunidades en redes complejas", en la revista Nature Informes científicos , documenta el método que el grupo ha desarrollado para crear esta herramienta mejorada.

Metodología / Prueba de concepto:

Doctor. El candidato Jayson Sia que trabajó en la investigación indica que el algoritmo que desarrollaron, la identificación comunitaria basada en la curvatura de Ollivier-Ricci (ORC), fue probado y validado en cuatro conjuntos de datos conocidos del mundo real el campo para el cual el objetivo es encontrar el punto de conexión entre los "nodos" o individuos / elementos individuales en un grupo al observar los vínculos entre ellos o lo que se conoce en jerga técnica como "bordes". Los conjuntos de datos incluyen una red de interacción fármaco-fármaco, el Club de Karate de Zachary; afiliaciones a una conferencia de fútbol americano universitario; y un conjunto de más de 1000 blogs políticos.

Dice la autora principal Sia, "En este papel, utilizamos un enfoque geométrico novedoso a través de la curvatura Ollivier-Ricci que ofrece un método natural para descubrir estructuras comunitarias de red inherentes ... "

Curvatura en el contexto geométrico, explica Sia, "mide esencialmente cómo una superficie se desvía de ser plana (o cómo una superficie se 'curva'). La geometría de las superficies está relacionada con el estudio de las proyecciones de mapas y cómo se miden las distancias en una superficie curva como la Tierra. El Ollivier-Ricci curvature extiende este concepto de 'curvatura' a redes con bordes curvados positivamente que están 'bien conectados' y forman una 'comunidad' de forma natural. Los bordes curvados negativamente, por otro lado, se interpretan como 'puentes' entre las comunidades y cortar esos bordes aislaría el flujo de información entre las comunidades ".