Siapa yang memimpin dan siapa yang mengikuti? Cara Baru untuk Membaca Aliran Jaringan

Para peneliti di EPFL dan University of Geneva telah mengembangkan algoritma baru yang memecahkan tantangan luar biasa dalam ilmu jaringan: berurusan dengan arah untuk mendeteksi masyarakat. Dari ilmu saraf ke media sosial dan pola lalu lintas, terobosan ini mengungkapkan tidak hanya siapa yang terhubung-tetapi siapa yang memimpin paket.

Saat musim panas berakhir, banyak dari kita di benua Eropa sedang menuju ke utara. Perjalanan kembali yang panjang dari pantai -pantai di Prancis selatan, Spanyol, dan Italia sekali lagi menyumbat terowongan alpine dan rute pantai Mediterania selama bottleneck Sabtu hitam yang terkenal. Migrasi tahunan ini, seperti banyak sistem di dunia kita, membentuk jaringan-bukan hanya koneksi, tetapi komunitas yang dibentuk oleh pola asal dan tujuan bersama.

Di sinilah ilmu jaringan – dan khususnya, deteksi komunitas – masuk. Selama beberapa dekade, para peneliti telah mengembangkan alat yang kuat untuk mengungkap komunitas dalam jaringan: kelompok node yang saling terkait erat. Tetapi alat -alat ini bekerja paling baik untuk jaringan yang tidak diarahkan, di mana koneksi saling menguntungkan. Secara grafis, sepertinya peta simpul yang sebagian besar dari kita telah lihat:

Cluster ini dapat berarti bahwa sekelompok orang adalah teman di Facebook, mengikuti berbagai akun olahraga di X, atau semuanya tinggal di kota yang sama. Dengan menggunakan algoritma modularitas standar, kami kemudian dapat menemukan koneksi antara komunitas yang berbeda dan mulai menarik kesimpulan yang bermanfaat. Mungkin pengguna di komunitas memancing-terbang juga muncul sebagai pengikut penggemar bir non-alkohol di Jenewa. Jenis ekstraksi informasi ini, tidak mungkin tanpa analisis masyarakat, adalah lapisan makna yang dapat dimanfaatkan untuk menjual bir atau bahkan mempengaruhi pemilihan yang secara jahat.

Ketika datang ke jaringan terarah – di mana pengaruh, informasi, atau arus lalu lintas dari satu titik ke titik lain – konsep “komunitas” menjadi jauh lebih sulit untuk didefinisikan. Metode yang ada sering mengabaikan arah atau menggunakannya secara tidak konsisten. Sebuah karya baru dari EPFL dan University of Geneva mendefinisikan kembali apa arti komunitas dalam grafik terarah – menangkap keduanya yang termasuk bersama dan bagaimana informasi mengalir di antara mereka.

Masukkan bimodularity. Dengan menggunakan manuver matematika yang cerdas, para peneliti di laboratorium pemrosesan dan analisis citra medis Dimitri van de Ville telah memecahkan kode. Dalam satu sapuan yang elegan dan algoritmik, mereka telah menambahkan arah yang selalu sulit dikeluarkan untuk analisis jaringan. Dengan kata lain, mereka sekarang dapat mendeteksi tidak hanya kota mana yang kosong di musim panas, tetapi di mana komunitas ini cenderung mencari pantai dan payung.

“Dengan bimodularity, kami akhirnya dapat membedakan pengirim dari penerima dalam jaringan. Itu berarti detail berbutir yang lebih halus dalam bagaimana komunitas berinteraksi – siapa yang mengirim, dan siapa yang menerima,” kata Van de Ville. Dan ketika kita dapat mendeteksi siapa yang mengirim dan menerima, kita dapat menemukan ke mana seseorang pergi – atau siapa yang mengikuti dan siapa yang diikuti.

Bimodularity memungkinkan untuk deteksi bikomunitas

https://www.youtube.com/watch?v=gqkz_iolpka

“Yang benar -benar membedakan metode ini adalah bagaimana mengidentifikasi komunitas – bukan dengan mengelompokkan node, seperti yang biasanya dilakukan, tetapi dengan mengelompokkan tepi,” kata van de ville. Dengan kata lain, alih -alih bertanya kepada individu mana yang termasuk bersama, algoritma tersebut bertanya interaksi mana yang berperilaku serupa dalam hal arah. Pendekatan berbasis tepi ini memungkinkan para peneliti untuk mengungkapkan pasangan masyarakat: yang mengirimkan informasi dan yang menerimanya – struktur organisasi baru yang mereka sebut bikomunitas.

Hasil akhirnya adalah grafik yang terlihat seperti ini:

Kami sekarang tidak hanya memiliki komunitas node yang diwakili oleh kelompok merah, biru dan kuning dengan deteksi komunitas konvensional, tetapi kami juga dapat mendeteksi komunitas jenis kedua yang diwakili oleh panah terarah hijau, oranye dan ungu. Ini adalah lapisan informasi baru yang penting, karena kita sekarang dapat mengetahui siapa yang terhubung di setiap komunitas serta jika mereka sama -sama bagian dari komunitas pengirim atau penerima, pengaruh atau pengikut, penumpang atau wisatawan.

Dan sementara penemuan baru ini belum tiba pada waktunya untuk menyelamatkan kami tahun ini dari kemacetan lalu lintas musim panas, para peneliti optimis tentang implementasinya yang akan segera terjadi dalam analisis jaringan untuk sejumlah aplikasi. Untuk menguji teorinya, mereka menerapkannya pada kumpulan data aktivitas neuron yang terkenal yang berasal dari cacing bulat C. elegans. Algoritma baru tidak hanya mengorganisir jaringan saraf dengan cara yang sejalan dengan data anatomi, tetapi juga mengungkapkan pengelompokan neuron baru tertentu yang menjelaskan fungsionalitas dalam sistem saraf.

“Yang menarik adalah bahwa bimodularitas tidak hanya mengkonfirmasi aliran yang diketahui dari input sensorik ke gerak – itu juga mengungkapkan langkah -langkah perantara di antaranya, seperti sensorik untuk memproses dan memproses gerakan. Ini bisa menunjuk ke jalur kausal, yang membuka kemungkinan Plastisitas untuk menginterpretasikan Plastis,” Fungsi Plastik, Konektasi, “Fungsi Plastik,” Fungsi Plastik, “Konektasi. Alexandre Cionca.

Referensi

Cionca, A., Chan, CHM, & van de Ville, D. (2025). Deteksi komunitas untuk jaringan terarah ditinjau kembali menggunakan bimodularity. Prosiding Akademi Ilmu Pengetahuan Nasional (PNA). www.pnas.org/doi/10.1073/pnas.2500571122