PISA – Dalle reti dei trasporti ai social network, passando per i sistemi biologici: la nostra vita quotidiana è sempre più costruita su connessioni complesse. Comprenderle e analizzarle è una delle grandi sfide dell’intelligenza artificiale. A fare un passo avanti in questa direzione è una nuova ricerca pubblicata su IEEE Transactions on Knowledge and Data Engineering, una delle principali riviste scientifiche internazionali del settore.
Lo studio nasce dalla collaborazione tra la Scuola Superiore Sant’Anna di Pisa, la Scuola IMT Alti Studi Lucca e la Aalborg University in Danimarca e propone un innovativo metodo di “network embedding”, la tecnica che permette ai sistemi di intelligenza artificiale di trasformare reti e grafi complessi in rappresentazioni numeriche comprensibili dagli algoritmi.
Secondo i ricercatori, i metodi tradizionali tendono a concentrarsi soprattutto sulla distanza tra gli elementi di una rete, trascurando però un aspetto fondamentale: il ruolo strutturale dei singoli nodi all’interno del sistema.
Il nuovo approccio sviluppato dal team riesce invece a preservare sia la vicinanza tra i nodi sia la funzione che ciascun elemento svolge nella rete, migliorando così la capacità dell’intelligenza artificiale di interpretare sistemi complessi.
Altro punto di forza della ricerca è la scalabilità. La tecnica è infatti progettata per funzionare anche su reti estremamente grandi e articolate, con tempi di calcolo molto più rapidi rispetto alle soluzioni oggi disponibili.
Il gruppo di ricerca è composto da Giuseppe Squillace, primo autore dello studio e oggi ricercatore all’Università Paris Saclay, Mirco Tribastone della Scuola IMT, Max Tschaikowski della Sapienza Università di Roma e Andrea Vandin della Scuola Superiore Sant’Anna.
“Questo lavoro – spiegano gli autori – dimostra quanto sia importante preservare le relazioni strutturali tra le entità per migliorare i network embeddings, aprendo nuove prospettive nell’estrazione di informazioni da dati complessi per l’intelligenza artificiale e il machine learning”.
Le possibili applicazioni spaziano dalle reti di trasporto ai sistemi biologici, fino ai social network. I test effettuati mostrano infatti che il nuovo metodo produce rappresentazioni più interpretabili, viene elaborato più velocemente e consente ai modelli di ottenere prestazioni migliori rispetto alle tecniche attualmente utilizzate.
