A veces, saber quién gana y quién pierde es más importante que cómo se juega el juego.
En un artículo publicado esta semana en Avances científicos , los investigadores del Instituto Santa Fe describen un nuevo algoritmo llamado SpringRank que utiliza ganancias y pérdidas para encontrar rápidamente las clasificaciones que acechan en las grandes redes. Cuando se prueba en una amplia gama de conjuntos de datos sintéticos y del mundo real, que van desde equipos en una universidad de la NCAAtorneo de baloncesto para el comportamiento social de los animales, SpringRank superó a otros algoritmos de clasificación en la predicción de resultados y en la eficiencia.
La física Caterina De Bacco, ex becaria postdoctoral en el Instituto Santa Fe, ahora en la Universidad de Columbia, dice que SpringRank utiliza información que ya está integrada en la red. Analiza los resultados de las interacciones individuales o en parejas, entre individuos.Para clasificar los equipos de baloncesto de la NCAA, por ejemplo, el algoritmo trataría a cada equipo como un nodo individual y representaría cada juego como una ventaja que lleva del ganador al perdedor. SpringRank analiza esas ventajas y en qué dirección viajan para determinar unjerarquía. Pero es más complicado que simplemente asignar la clasificación más alta al equipo que ganó la mayoría de los juegos; después de todo, un equipo que juega exclusivamente equipos de bajo rango puede no merecer estar en la cima.
"No se trata solo de victorias y derrotas, sino de a qué equipos venciste y cuáles perdiste", dice el matemático Dan Larremore, ex becario postdoctoral en el Instituto Santa Fe, ahora en la Universidad de Colorado Boulder. Larremore yDe Bacco colaboró con el científico informático Cris Moore, también en el Instituto Santa Fe, en el papel.
Como su nombre lo indica, SpringRank trata las conexiones entre nodos como resortes físicos que pueden contraerse y expandirse. Debido a que los físicos conocen las ecuaciones que describen los movimientos de los resortes, dice De Bacco, el algoritmo es fácil de implementar. Y a diferencia de otrosAlgoritmos de clasificación que asignan números ordinales a nodos: primero, segundo, tercero, etc., SpringRank asigna a cada nodo un número de valor real. Como resultado, los nodos pueden estar muy juntos, separados o dispuestos de forma más complicadapatrones reveladores, como grupos de nodos clasificados de manera similar.
"Las ideas de la física a menudo nos dan algoritmos elegantes y efectivos", dice Moore. "Esta es otra victoria para ese enfoque".
En el documento, los investigadores probaron el poder predictivo de SpringRank en una variedad de conjuntos de datos y situaciones, incluidos torneos deportivos, comportamientos de dominación animal entre periquitos cautivos y elefantes asiáticos en libertad, y prácticas de contratación de profesores entre universidades.
Los investigadores subieron el código de SpringRank a GitHub, un repositorio de códigos en línea, y dicen que esperan que otros investigadores, especialmente en ciencias sociales, lo usen. "Se puede aplicar a cualquier conjunto de datos", dice De Bacco.
El próximo conjunto de datos que ella y sus coautores planean analizar con SpringRank es diferente a cualquiera de los que aparecen en el Avances científicos artículo. Trabajarán con Elizabeth Bruch, profesora externa del Instituto Santa Fe, para analizar patrones de mensajes en los mercados de citas en línea.
Fuente de la historia :
Materiales proporcionado por Instituto Santa Fe . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :