Et nyt værktøj til dataforskere og biologer og mere

Det sociale netværk Linkedin fortæller en bruger, hvordan han/hun er forbundet med en anden. I det virkelige liv, forbindelsespunkter er ikke altid så tydelige. Imidlertid, at identificere mønstre eller relationer og fællestræk mellem enheder er en opgave, der er en kritisk vigtig fordel for virksomheder, biologer, læger, patienter og mere.

Et nyt beregningsværktøj udviklet i laboratoriet på USC Viterbi School Ming Hsieh Institut for Elektroteknik og Computer Engineering professor Paul Bodgan i samarbejde med Ming Hsieh professor Edmond Jonckheere, er i stand til hurtigt at identificere de skjulte tilknytninger og indbyrdes forhold mellem grupper/genstande/personer med større nøjagtighed end eksisterende værktøjer.

Forskerne i Bogdans laboratorium ligner ligesom detektiver, og det puslespil, de forsøger at finde ud af, er, hvordan man aner, person, element eller handling er forbundet og relateret til en anden enhed. Forestil dig et laboratorium dedikeret til en videnskabelig "Seks grader af ..." for at opdage skjulte indbyrdes forhold. Det problem, de tackler, er kendt af forskere, der studerer komplekse netværk som "community detection problem" - at identificere og kortlægge, hvilke personer eller ting der er tilfælles, og hvordan de hænger sammen.

Et sådant beregningsværktøj kan udnyttes af forskellige grupper:politiske strateger, der forsøger at finde vælgeres overlappende værdier eller delte attributter; eller biologer, der ønsker at forudsige potentialet i et lægemiddels bivirkninger eller interaktioner - uden at have levet mange års levende eksperimenter. Deres forskning implementeres også for at identificere, hvilke dele af hjernen, der arbejder med de samme funktioner - et vigtigt stykke information for neurovidenskabsfolk og personer, der lider af hjerneskade, at forudse, om visse områder af hjernen kan overtage funktionalitet for skadet væv. Man kan også forestille sig dette laboratoriums algoritme, der arbejder med at finde kontaktpunkter på tilsyneladende ikke -relaterede oplysninger.

Deres seneste papir, med titlen "Ollivier-Ricci Curvature-Based Method to Community Detection in Complex Networks", i tidsskriftet Nature Videnskabelige rapporter , dokumenterer den metode, gruppen har udviklet til at skabe dette forbedrede værktøj.

Metodologi/bevis på koncept:

Ph.d. kandidat Jayson Sia, der arbejdede med forskningen, angiver, at den algoritme, de udviklede, den Ollivier-Ricci-krumning (ORC) -baserede samfundsidentifikation, blev testet og valideret på fire kendte virkelige datasæt det felt, som målet er at finde forbindelsespunktet mellem "noder" eller individer/ individuelle elementer i en gruppe ved at se på forbindelserne mellem dem eller hvad der er kendt i teknisk jargon som "kanter". Datasættene omfatter et net-lægemiddelinteraktionsnetværk, Zacharys Karateklub; en college fodbold konference tilknytninger; og et sæt på over 1000 politiske blogs.

Siger hovedforfatter Sia, "I denne avis, vi benyttede en ny geometrisk tilgang via Ollivier-Ricci-krumningen, der tilbyder en naturlig metode til at opdage iboende netværkssamfundsstrukturer. "

Krumning i den geometriske kontekst, forklarer Sia, "måler i det væsentlige, hvordan en overflade afviger fra at være flad (eller hvordan en overflade 'buer'). Overfladernes geometri er relateret til studiet af kortfremskrivninger og hvordan afstande måles i en buet overflade som Jorden. Ollivier-Ricci krumning udvider dette begreb 'krumning' til netværk med positivt buede kanter, der er 'godt forbundet' og naturligt danner et 'fællesskab'. Negativt buede kanter på den anden side tolkes som 'broer' mellem lokalsamfund og skæring af sådanne kanter ville isolere informationsstrømmen mellem lokalsamfund. "