¿Puede un algoritmo de propagación de creencias describir con precisión sistemas de red complejos?

Se puede utilizar un algoritmo de mensajería conocido como “propagación de creencias” para analizar sistemas grandes dividiéndolos en partes más pequeñas y asegurándose de que todas las soluciones más pequeñas sean coherentes entre sí. Por ejemplo, para modelar la propagación de una enfermedad cuando las personas están en contacto cercano, los científicos tienden a estudiar las redes de contacto de las personas infectadas, ya que son grandes sistemas.

De hecho, calcular cómo se propagará la enfermedad en una vasta red de contactos es un desafío difícil. Pero para predecir qué pasará con cualquiera de estas personas, solo necesitamos saber qué pasará con las personas con las que entren en contacto, no todas en su la red.

Para explicar lo que les sucede a estos contactos, basta con mirar sus contactos y así sucesivamente. Esta es la lógica recursiva fe propagación y le permite reducir cálculos enormes y engorrosos a series mucho más simples. Por muy bueno que parezca, en la práctica, todo puede desmoronarse.

En un artículo publicado en Progreso cientifico, Los investigadores de la Universidad de Michigan y el Instituto Santa Fe (SFI) Alec Kirkley, George Cantwell y Mark Newman informan sobre un novedoso algoritmo de propagación de creencias para resolver modelos probabilísticos en redes de circuito corto.

“Supongamos que Alice estuviera en estrecho contacto con Bob, que estaba en contacto con Charlotte. Para saber qué le está sucediendo a Alice, necesitamos saber sobre Bob y luego sobre Charlotte ”, explica Cantwell, físico y académico del Programa SFI. “Pero suponiendo que Charlotte ya estuviera en contacto con Alice, ahora hemos vuelto a caer en una especie de regresión infinita. Para predecir lo que le sucederá a Alice, primero debemos predecir lo que le sucederá a Bob, luego a Charlotte y luego a Alice de nuevo “.

Curiosamente, la fe propagación Aún puede ejecutar un algoritmo para preguntas tan aparentemente atractivas, no solo para predecir la propagación de enfermedades. Desafortunadamente, las respuestas que contiene no son correctas y, a menudo, pueden ser ligeramente incorrectas, especialmente en el caso de estructuras de apariencia realista.

“En nuestro trabajo, desarrollamos métodos prácticos para remediar esta deficiencia”, dice Cantwell. “Por ejemplo, mostramos cómo se puede aplicar este método para resolver uno de los modelos canónicos de la literatura de física, demostrando que podemos calcular con precisión el comportamiento físico de un sistema. De cara al futuro, esperamos que este estilo de análisis resulte útil en todo tipo de modelos estadísticos construidos sobre estructuras complejas como las redes humanas “.