Il social network Linkedin dirà a un utente come è connesso a un altro. Nella vita reale, i punti di collegamento non sono sempre così evidenti. Però, identificare modelli o relazioni e punti in comune tra le entità è un compito che è un vantaggio di fondamentale importanza per le imprese, biologi, medici, pazienti e altro ancora.

Un nuovo strumento di calcolo sviluppato nel laboratorio della USC Viterbi School Ming Hsieh Department of Electrical and Computer Engineering professor Paul Bodgan in collaborazione con il professor Ming Hsieh Edmond Jonckheere, è in grado di identificare rapidamente le affiliazioni e le interrelazioni nascoste tra gruppi/oggetti/persone con maggiore precisione rispetto agli strumenti esistenti.

I ricercatori nel laboratorio di Bogdan sono una specie di detective e il puzzle che stanno cercando di capire è come un indizio, persona, elemento o azione è connesso e correlato a un'altra entità. Immagina un laboratorio dedicato a un "Sei gradi di ..." scientifico per scoprire interrelazioni nascoste. Il problema che stanno affrontando è noto ai ricercatori che studiano reti complesse come il "problema di rilevamento della comunità", identificando e mappando quali individui o elementi hanno in comune e come sono collegati.

Un tale strumento di calcolo potrebbe essere sfruttato da vari gruppi:strateghi politici che cercano di trovare valori che si sovrappongono o attributi condivisi degli elettori; o biologi che vogliono prevedere il potenziale degli effetti collaterali o delle interazioni di un farmaco, senza eseguire anni di esperimenti dal vivo. La loro ricerca viene anche impiegata per identificare quali parti del cervello stanno lavorando sulle stesse funzioni:un'informazione chiave per neuroscienziati e individui che soffrono di danni cerebrali per prevedere se alcune aree del cervello potrebbero assumere la funzionalità per i tessuti danneggiati. Si può anche immaginare l'algoritmo di questo laboratorio che lavora per trovare punti di contatto su informazioni apparentemente non correlate.

Il loro recente documento, intitolato "Metodo basato sulla curvatura di Ollivier-Ricci per il rilevamento di comunità in reti complesse", sulla rivista Nature Rapporti scientifici , documenta il metodo che il gruppo ha sviluppato per creare questo strumento migliorato.

Metodologia/Prova di concetto:

dottorato di ricerca candidato Jayson Sia che ha lavorato alla ricerca indica che l'algoritmo che hanno sviluppato, l'identificazione della comunità basata sulla curvatura di Ollivier-Ricci (ORC), è stato testato e convalidato su quattro set di dati noti del mondo reale il campo per il quale l'obiettivo è trovare il punto di connessione tra i "nodi" o individui/individui elementi in un gruppo osservando i collegamenti tra di loro o ciò che è noto in gergo tecnico come "bordi". I set di dati includono una rete di interazione farmacologica, lo Zachary's Karate Club; un college football affiliazioni conferenza; e una serie di oltre 1000 blog politici.

Dice l'autore principale Sia, "In questo documento, abbiamo utilizzato un nuovo approccio geometrico tramite la curvatura di Ollivier-Ricci che offre un metodo naturale per scoprire le strutture della comunità di rete intrinseche.."

Curvatura nel contesto geometrico, spiega Sia, "misura essenzialmente come una superficie si discosta dall'essere piatta (o come una superficie 'curva'). La geometria delle superfici è correlata allo studio delle proiezioni cartografiche e al modo in cui le distanze vengono misurate in una superficie curva come la Terra. L'Ollivier-Ricci curvature estende questo concetto di "curvatura" a reti con bordi positivamente curvi che sono "ben collegati" e formano naturalmente una "comunità". I bordi curvati negativamente, d'altra parte, sono interpretati come "ponti" tra le comunità e tagliare tali bordi isolerebbe il flusso di informazioni tra le comunità".