El nuevo algoritmo infiere la estructura de hipergrafías de los datos de la serie de tiempo sin conocimiento previo
Ilustración de la inferencia de hipergrafías basadas en Taylor usando Sindy (esto). Crédito: Nature Communications (2025). Doi: 10.1038/s41467-025-57664-2
En una red, pares de elementos individuales o nodos, se conectan entre sí; Esas conexiones pueden representar un sistema en expansión con innumerables enlaces individuales. Un hipergrafo va más profundo: brinda a los investigadores una forma de modelar sistemas complejos y dinámicos donde las interacciones entre tres o más individuos, o incluso entre grupos de individuos, pueden jugar un papel importante.
En lugar de bordes que conectan pares de nodos, se basa en hiperedges que conectan grupos de nodos. Los hipérgicos pueden representar interacciones de orden superior que representan comportamientos colectivos como el enjambre en peces, aves o abejas o procesos en el cerebro.
Los científicos generalmente usan un modelo de hipergrafio para predecir comportamientos dinámicos. Pero el problema opuesto también es interesante. ¿Qué pasa si los investigadores pueden observar la dinámica pero no tienen acceso a un modelo confiable? Yuanzhao Zhang, un compañero postdoctoral de complejidad SFI, tiene una respuesta.
En un artículo publicado en Nature Communications, Zhang y sus colaboradores describen un algoritmo novedoso que puede inferir la estructura de un hipergrafo utilizando solo la dinámica observada.
Su algoritmo utiliza datos de series de tiempo, observaciones recopiladas a intervalos uniformes durante un período, para construir hipergrafías (y otras representaciones de interacciones de orden superior) que producen los patrones observados. Se puede aplicar a cualquier conjunto de datos que se suponga que tiene una estructura matemática subyacente, dice Zhang. Los datos de la serie de tiempo son útiles para estudiar la propagación de la enfermedad o el comportamiento de los mercados financieros, los sistemas biológicos y muchas otras situaciones.
En particular, el enfoque solo requiere los datos; No requiere conocimiento previo sobre el sistema o cómo se comportan los nodos individuales. “Esa es la principal ventaja”, dice Zhang. “Abre muchas más posibilidades, y puede aplicarlo a los sistemas para los que no conoce la dinámica subyacente”.
Las interacciones de orden superior juegan un papel importante en la configuración de la dinámica del cerebro macroscópico. Crédito: Nature Communications (2025). Doi: 10.1038/s41467-025-57664-2
Señala la función cerebral como un ejemplo. Los investigadores pueden recopilar datos de series de tiempo observacionales, pero no tienen un buen modelo sobre cómo todo encaja. “Obviamente no podemos abrir nuestros cerebros y ver lo que realmente está pasando”, dice. “Pero podemos aprender algo mirando datos de grabaciones cerebrales”.
En el nuevo artículo, Zhang y sus colaboradores verificaron su enfoque probándolo en datos de series de tiempo, asegurando que produjera una estructura subyacente conocida. Luego, lo aplicaron a los datos de electroencefalograma (EEG) recopilados de más de 100 sujetos humanos. Un EEG mide la actividad eléctrica en varias áreas del cerebro con el tiempo, recolectado a través de sensores pegados al cuero cabelludo de una persona. El informe resultante parece una serie de olas.
Las conexiones más conocidas en el cerebro son por pares, conectando una región del cerebro con otra. Sin embargo, utilizando su nuevo algoritmo, Zhang y sus colaboradores desenterraron un modelo de hipergrafio que capturó con precisión las conexiones en los datos del EEG entre tres o más regiones. Eso sugiere que las interacciones de orden superior juegan un papel importante y subestimado en la configuración de patrones macroscópicos de actividad cerebral.
Los investigadores utilizaron su modelo para identificar los tipos de interacciones más frecuentes entre las regiones cerebrales. “Lo que es realmente interesante es que las seis principales hiperedges prominentes apuntan hacia la corteza prefrontal, que se sabe que es uno de los centros de procesamiento de información en el cerebro”, dice Zhang.
El trabajo actual puede inferir un modelo de unos pocos cientos de nodos; En el futuro, espera escalar a redes más grandes.
Más información: Robin Delabays et al, Reconstrucción de hipergrafías a partir de la dinámica, Nature Communications (2025). Doi: 10.1038/s41467-025-57664-2
Proporcionado por el Instituto Santa Fe
Cita: Mapeo de sistemas dinámicos: el nuevo algoritmo infiere la estructura de hipergrafías de los datos de la serie temporal sin conocimiento previo (2025, 29 de abril) Recuperado el 29 de abril de 2025 de https://techxplore.com/news/2025-04-dynamical-algorithm-ifring-hypergraph-series.htmlllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllltm
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.
