Un ejemplo de recuperación de relaciones de alta dimensión (derecha) de las relaciones de coautoría de papel de baja dimensión (izquierda) con una precisión del 100%, utilizando la tecnología Marioh. Crédito: El Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST)
Al igual que cuando varias personas se reúnen simultáneamente en una sala de reuniones, interacciones de orden superior, donde muchas entidades interactúan a la vez, ocurren en varios campos y reflejan la complejidad de las relaciones del mundo real. Sin embargo, debido a las limitaciones técnicas, en muchos campos, solo se pueden observar y recolectar interacciones por pares de bajo orden entre entidades, lo que resulta en la pérdida de contexto completo y restringe el uso práctico.
Los investigadores de Kaist dirigidos por el profesor Kijung Shin han desarrollado el modelo de IA “Marioh” (reconstrucción hipergrafías consciente de la multiplicidad), que puede reconstruir con precisión las interacciones de orden superior a partir de dicha información de bajo orden, abrir posibilidades analíticas innovadoras en campos como el análisis de la red social, la neurociencia y las ciencias de la vida.
La reconstrucción de interacciones de orden superior es un desafío porque un gran número de interacciones de orden superior puede surgir de la misma estructura de bajo orden.
La idea clave detrás de Marioh, desarrollada por el equipo de investigación, es utilizar información de multiplicidad de interacciones de bajo orden para reducir drásticamente el número de interacciones candidatas de orden superior que podrían provenir de una estructura dada.
Además, al emplear técnicas de búsqueda eficientes, Marioh identifica rápidamente a los candidatos de interacción prometedores y utiliza un aprendizaje profundo basado en multiplicidad para predecir con precisión la probabilidad de que cada candidato represente una interacción real de orden superior.
A través de experimentos en diez conjuntos de datos del mundo real, el equipo de investigación mostró que Marioh reconstruyó interacciones de orden superior con una precisión de hasta un 74% mayor en comparación con los métodos existentes.
Por ejemplo, en un conjunto de datos sobre las relaciones de coautoría (Fuente: DBLP), Marioh logró una precisión de reconstrucción de más del 98%, superando significativamente los métodos existentes, que alcanzaron solo alrededor del 86%. Además, aprovechar las estructuras reconstruidas de orden superior condujo a un mejor rendimiento en las tareas aguas abajo, incluida la predicción y la clasificación.
Según Kijung, “Marioh va más allá de los enfoques existentes que dependen únicamente de la información de conexión simplificada, lo que permite un análisis preciso de las complejas interconexiones encontradas en el mundo real”. Además, “tiene amplias aplicaciones potenciales en campos como el análisis de redes sociales para chats grupales o redes colaborativas, ciencias de la vida para estudiar complejos de proteínas o interacciones genéticas, y neurociencia para rastrear la actividad simultánea en múltiples regiones cerebrales”.
El investigación fue realizado por Kyuhan Lee (programa integrado de MS – Ph.D Fue presentado en el 41 Conferencia internacional de IEEE sobre ingeniería de datosCelebrada en Hong Kong en mayo pasado.
Más información: Kyuhan Lee et al, Marioh: Reconstrucción del hipergrafo consciente de la multiplicidad 2025 IEEE 41ª Conferencia Internacional sobre Ingeniería de Datos (ICDE) (2025). Doi: 10.1109/ICDE65448.2025.00233. www.computer.org/csdl/procepti … 0300D113/26fzBtqByzk
Proporcionado por el Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST)
Cita: el modelo de IA descubre y reconstruye relaciones ocultas de múltiples entidades (2025, 5 de agosto) Recuperado el 5 de agosto de 2025 de https://techxplore.com/news/2025-08-ai-uncovers-reconstructs-hidden-multi.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
