I modelli e gli algoritmi per l'analisi di reti complesse sono ampiamente utilizzati nella ricerca e influenzano la società in generale attraverso le loro applicazioni nei social network online, motori di ricerca, e sistemi di raccomandazione. Secondo un nuovo studio, però, un approccio algoritmico ampiamente utilizzato per modellare queste reti è fondamentalmente imperfetto, non riuscendo a catturare importanti proprietà delle reti complesse del mondo reale.

"Non è che queste tecniche ti diano spazzatura assoluta. Probabilmente contengono alcune informazioni, ma non tante informazioni come molte persone credono, " disse C. "Sesh" Seshadhri, professore associato di informatica e ingegneria presso la Baskin School of Engineering dell'UC Santa Cruz.

Seshadhri è il primo autore di un articolo sulle nuove scoperte pubblicato il 2 marzo in Atti dell'Accademia Nazionale delle Scienze . Lo studio ha valutato tecniche note come "incorporamenti a bassa dimensionalità, " che sono comunemente usati come input per i modelli di apprendimento automatico. Questa è un'area di ricerca attiva, con nuovi metodi di inclusione sviluppati a un ritmo rapido. Ma Seshadhri e i suoi coautori affermano che tutti questi metodi condividono gli stessi difetti.

Per spiegare perché, Seshadhri ha usato l'esempio di un social network, un tipo familiare di rete complessa. Molte aziende applicano l'apprendimento automatico ai dati dei social network per generare previsioni sul comportamento delle persone, consigli per gli utenti, e così via. Le tecniche di inclusione convertono essenzialmente la posizione di una persona in un social network in un insieme di coordinate per un punto in uno spazio geometrico, ottenendo un elenco di numeri per ogni persona che può essere inserito in un algoritmo.

"Questo è importante perché qualcosa di astratto come la 'posizione in un social network' di una persona può essere convertito in un elenco concreto di numeri. Un'altra cosa importante è che tu voglia convertirlo in uno spazio a bassa dimensione, in modo che l'elenco dei numeri che rappresentano ciascuna persona sia relativamente piccolo, "Ha spiegato Seshadhri.

Una volta effettuata questa conversione, il sistema ignora l'effettivo social network e fa previsioni basate sulle relazioni tra i punti nello spazio. Per esempio, se molte persone vicine a te in quello spazio stanno acquistando un determinato prodotto, il sistema potrebbe prevedere che probabilmente acquisterai lo stesso prodotto.

Seshadhri ei suoi coautori hanno dimostrato matematicamente che gli aspetti strutturali significativi delle reti complesse si perdono in questo processo di inclusione. Hanno anche confermato questo risultato empiricamente testando varie tecniche di inclusione su diversi tipi di reti complesse.

"Non stiamo dicendo che alcuni metodi specifici falliscono. Stiamo dicendo che qualsiasi metodo di incorporamento che ti fornisce un piccolo elenco di numeri fondamentalmente fallirà, perché una geometria a bassa dimensionalità non è abbastanza espressiva per i social network e altre reti complesse, " disse Seshadhri.

Una caratteristica cruciale dei social network del mondo reale è la densità dei triangoli, o connessioni tra tre persone.

"Dove hai molti triangoli, significa che c'è molta struttura comunitaria in quella parte di un social network, " Disse Seshadhri. "Inoltre, questi triangoli sono ancora più significativi quando guardi le persone che hanno social network limitati. In un tipico social network, alcune persone hanno tonnellate di connessioni, ma la maggior parte delle persone non ha molte connessioni".

Nella loro analisi delle tecniche di inclusione, i ricercatori hanno osservato che molti dei triangoli sociali che rappresentano la struttura della comunità si perdono nel processo di inclusione. "Tutte queste informazioni sembrano scomparire, quindi è quasi come se la stessa cosa che volevi trovare fosse andata persa quando costruisci queste rappresentazioni geometriche, " disse Seshadhri.

Gli incorporamenti a bassa dimensionalità non sono affatto gli unici metodi utilizzati per generare previsioni e raccomandazioni. In genere sono solo uno dei tanti input in un modello di apprendimento automatico molto ampio e complesso.

"Questo modello è un'enorme scatola nera, e molti dei risultati positivi riportati dicono che se includi questi incorporamenti a bassa dimensione, la tua performance aumenta, forse ti viene un leggero urto. Ma se l'hai usato da solo, sembra che ti mancherebbe molto, " disse Seshadhri.

Ha anche notato che i nuovi metodi di inclusione vengono per lo più confrontati con altri metodi di inclusione. Recenti lavori empirici di altri ricercatori, però, mostra che diverse tecniche possono dare risultati migliori per compiti specifici.

"Supponiamo che tu voglia prevedere chi è un repubblicano e chi è un democratico. Ci sono tecniche sviluppate appositamente per quel compito che funzionano meglio degli incorporamenti, " ha detto. "L'affermazione è che queste tecniche di inclusione funzionano per molti compiti diversi, ed è per questo che molte persone li hanno adottati. È anche molto facile inserirli in un sistema di apprendimento automatico esistente. Ma per qualsiasi compito particolare, si scopre che c'è sempre qualcosa di meglio che puoi fare."

Data la crescente influenza dell'apprendimento automatico nella nostra società, Seshadhri ha affermato che è importante indagare se le ipotesi alla base dei modelli sono valide.

"Abbiamo tutte queste macchine complicate che fanno cose che influenzano in modo significativo le nostre vite. Il nostro messaggio è solo che dobbiamo stare più attenti nel valutare queste tecniche, " ha detto. "Soprattutto in questo giorno ed età in cui l'apprendimento automatico sta diventando sempre più complicato, è importante avere una certa comprensione di ciò che si può e non si può fare".