A rede social Linkedin dirá a um usuário como ele está conectado a outro. Na vida real, os pontos de conexão nem sempre são tão evidentes. Contudo, identificar padrões ou relacionamentos e semelhanças entre entidades é uma tarefa que é uma vantagem extremamente importante para as empresas, biólogos, médicos, pacientes e muito mais.

Uma nova ferramenta computacional desenvolvida no laboratório da USC Viterbi School Ming Hsieh, professor do Departamento de Engenharia Elétrica e da Computação, Paul Bodgan, em colaboração com o professor de Ming Hsieh Edmond Jonckheere, é capaz de identificar rapidamente as afiliações e inter-relações ocultas entre grupos / itens / pessoas com maior precisão do que as ferramentas existentes.

Os pesquisadores no laboratório de Bogdan são como detetives e o quebra-cabeça que eles estão tentando descobrir é como uma pista, pessoa, o item ou ação está conectado e relacionado a outra entidade. Imagine um laboratório dedicado a um estudo científico "Seis graus de ..." para descobrir inter-relações ocultas. O problema que eles estão enfrentando é conhecido por pesquisadores que estudam redes complexas como o "problema de detecção de comunidade" - identificar e mapear quais indivíduos ou itens têm em comum e como estão conectados.

Essa ferramenta computacional poderia ser aproveitada por vários grupos:estrategistas políticos tentando encontrar os valores sobrepostos dos eleitores ou atributos compartilhados; ou biólogos que desejam predizer o potencial dos efeitos colaterais ou interações de uma droga - sem realizar anos de experimentos reais. Sua pesquisa também está sendo implantada para identificar quais partes do cérebro estão trabalhando nas mesmas funções - uma informação importante para neurocientistas e indivíduos que sofrem de danos cerebrais para antecipar se certas áreas do cérebro podem assumir a funcionalidade do tecido lesado. Também se pode imaginar o algoritmo deste laboratório trabalhando para encontrar pontos de contato em informações aparentemente não relacionadas.

Seu artigo recente, intitulado "Método baseado na curvatura de Ollivier-Ricci para detecção da comunidade em redes complexas", na revista Nature Relatórios Científicos , documenta o método que o grupo desenvolveu para criar esta ferramenta aprimorada.

Metodologia / Prova de Conceito:

Ph.D. o candidato Jayson Sia que trabalhou na pesquisa indica que o algoritmo que desenvolveram, a identificação da comunidade baseada na curvatura de Ollivier-Ricci (ORC), foi testado e validado em quatro conjuntos de dados do mundo real conhecidos, o campo para o qual o objetivo é encontrar o ponto de conexão entre os "nós" ou indivíduos / itens individuais em um grupo, observando os links entre eles ou o que é conhecido em jargão técnico como "bordas". Os conjuntos de dados incluem uma rede de interação droga-droga, o Karate Club de Zachary; afiliações de uma conferência de futebol universitário; e um conjunto de mais de 1000 blogs políticos.

Diz a autora principal Sia, "Nesse artigo, utilizamos uma nova abordagem geométrica por meio da curvatura de Ollivier-Ricci, que oferece um método natural para descobrir estruturas de comunidade de rede inerentes. "

Curvatura no contexto geométrico, explica Sia, "essencialmente mede como uma superfície se desvia de ser plana (ou como uma superfície 'curva'). A geometria das superfícies está relacionada ao estudo de projeções de mapas e como as distâncias são medidas em uma superfície curva como a Terra. O Ollivier-Ricci curvatura estende este conceito de 'curvatura' para redes com bordas positivamente curvas sendo 'bem conectadas' e formando naturalmente uma 'comunidade'. As bordas negativamente curvas, por outro lado, são interpretadas como 'pontes' entre as comunidades e cortar essas bordas isolaria o fluxo de informações entre as comunidades. "