Новый алгоритм машинного обучения упростит классификацию сложных сетей в нейронауках и социологии

Ученые разработали принципиально новый метод машинного обучения для классификации графов — математических моделей, описывающих сложные системы, например социальные взаимодействия, нейронные связи в мозге и другие. Предложенный подход, в отличие от других алгоритмов, позволяет учитывать не только парные связи между объектами, но и более высокие порядки взаимодействий. Разработка будет полезна в нейронауках для анализа функциональных сетей мозга, в биоинформатике — для классификации молекул, а в социологии — для изучения структуры онлайн-сообществ. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале The European Physical Journal Special Topics

Сложные системы, состоящие из множества связанных между собой элементов, встречаются повсеместно: к ним можно отнести как нейронные сети в головном мозге, так и сообщества людей. Принципы, по которым строятся подобные сети, важно знать, поскольку это позволяет решать целый ряд практических задач. Например, в случае нейронных сетей мозга — выявлять причины психических заболеваний, а при рассмотрении общества — предсказывать распространение эпидемий или мнений в социальных сетях. Существующие методы анализа, такие как графовые нейронные сети (графовые ядра), позволяют оценить парные, точечные связи между элементами системы, однако взаимодействия между группами таких элементов также могут быть важны. Это ограничивает точность работы подобных алгоритмов и их использование на практике.

Исследователи из Российского экономического университета имени Г.В. Плеханова (Москва) и Балтийского федерального университета имени Иммануила Канта разработали метод машинного обучения, который, в отличие от аналогов, позволяет учитывать при анализе не только парные связи, но и высокие порядки взаимодействий внутри сети.

Если алгоритм рассматривает, например, сеть из взаимодействующих нейронов, он сначала разделяет их на группы, после чего оценивает, как эти группы связаны друг с другом на разных «уровнях масштаба». Благодаря этому алгоритм позволяет определить, насколько тесно связаны элементы всей сети и каким образом точки объединяются в групповые структуры. Все эти показатели формируют уникальный набор признаков для каждой сети, который позволяет точно ее проанализировать.

Авторы проверили эффективность нового метода, использовав наборы тестовых данных, включая модели социальных сетей и биоинформационные данные. Оказалось, что предложенный подход демонстрирует точность классификации 75%, что сопоставимо с показателями лучших современных графовых нейронных сетей.

При этом главное преимущество нового алгоритма состоит в том, что он позволяет легко интерпретировать результаты классификации. До сих пор понять, на основании чего система искусственного интеллекта классифицировала молекулу, например, как обладающую определенными ценными для человека свойствами, было практически невозможно. Предложенный подход, напротив, дает четкие характеристики, отличающие анализируемые объекты или сети от других.

Разработанный метод дает возможность понять внутреннее устройство сложных сетей и классифицировать функциональные сети мозга, в логистике — анализировать и оптимизировать глобальные цепочки поставок, выявляя в них «узкие места» и критические точки, в экономике — исследовать структуру рынков и финансовых сетей для прогнозирования кризисов.