Novo algoritmo elimina dados ruidosos para prever melhor os pontos de inflexão
Sinais de alerta antecipado com diferentes conjuntos de nós em uma rede com N = 2 nós conectados por uma borda direcionada. Crédito:Nature Communications (2024). DOI:10.1038/s41467-024-45476-9 Quer estejamos a tentar prever uma catástrofe climática ou uma crise de saúde mental, a matemática diz-nos para procurarmos flutuações.
As alterações nos dados, desde a população de vida selvagem até aos níveis de ansiedade, podem ser um sinal de alerta precoce de que um sistema está a atingir um limiar crítico, conhecido como ponto de viragem, no qual essas alterações podem acelerar ou mesmo tornar-se irreversíveis.
Mas quais pontos de dados são mais importantes? E quais são simplesmente ruído?
Um novo algoritmo desenvolvido por pesquisadores da Universidade de Buffalo pode identificar os pontos de dados mais preditivos de que um ponto de inflexão está próximo. Detalhado em Nature Communications , esta estrutura teórica usa o poder das equações diferenciais estocásticas para observar a flutuação de pontos de dados, ou nós, e então determinar quais devem ser usados para calcular um sinal de alerta antecipado.
Simulações confirmaram que este método era mais preciso na previsão de pontos de inflexão teóricos do que na seleção aleatória de nós.
"Cada nó é um pouco barulhento - em outras palavras, ele muda com o tempo - mas alguns podem mudar mais cedo e mais drasticamente do que outros quando um ponto de inflexão está próximo. A seleção do conjunto certo de nós pode melhorar a qualidade do sinal de alerta antecipado, como além de nos ajudar a evitar o desperdício de recursos observando nós não informativos", diz o principal autor do estudo, Naoki Masuda, Ph.D., professor e diretor de estudos de pós-graduação do Departamento de Matemática da UB, da Faculdade de Artes e Ciências.
O estudo foi coautor de Neil Maclaren, pesquisador associado de pós-doutorado no Departamento de Matemática, e Kazuyuki Aihara, diretor executivo do Centro Internacional de Pesquisa para Neurointeligência da Universidade de Tóquio.
Sinais de alerta conectados via redes
O algoritmo é único porque incorpora totalmente a ciência de rede no processo. Embora os sinais de alerta precoce tenham sido aplicados à ecologia e à psicologia nas últimas duas décadas, pouca investigação se concentrou na forma como esses sinais estão ligados dentro de uma rede, diz Masuda.
Considere a depressão. Pesquisas recentes consideraram esse e outros transtornos mentais como uma rede de sintomas que influenciam uns aos outros, criando ciclos de feedback. A perda de apetite pode significar o aparecimento de cinco outros sintomas num futuro próximo, dependendo de quão próximos esses sintomas estão na rede.
“Como cientista de redes, senti que a ciência de redes poderia oferecer uma abordagem única ou talvez até melhorada para sinais de alerta precoce”, diz Masuda.
Ao considerar minuciosamente os sistemas como redes, os pesquisadores descobriram que simplesmente selecionar os nós com maiores flutuações não era a melhor estratégia. Isso ocorre porque alguns nós selecionados podem estar intimamente relacionados a outros nós selecionados.
"Mesmo se combinarmos dois nós com bons sinais de alerta precoce, não obteremos necessariamente um sinal mais preciso. Às vezes, combinar um nó com um sinal bom e outro nó com um sinal de qualidade média realmente nos dá um sinal melhor", disse Masuda. diz.
Embora a equipe tenha validado o algoritmo com simulações numéricas, eles dizem que ele pode ser facilmente aplicado a dados reais porque não requer informações sobre a estrutura da rede em si; são necessários apenas dois estados diferentes do sistema em rede para determinar um conjunto ideal de nós.
“Os próximos passos serão colaborar com especialistas da área, como ecologistas, cientistas do clima e médicos, para desenvolver e testar ainda mais o algoritmo com os seus dados empíricos e obter insights sobre os seus problemas”, diz Masuda.
