Neuer Algorithmus durchschneidet „verrauschte“ Daten, um Wendepunkte besser vorherzusagen

Ganz gleich, ob Sie versuchen, eine Klimakatastrophe oder eine psychische Krise vorherzusagen, die Mathematik fordert uns auf, nach Schwankungen zu suchen.

Veränderungen in den Daten, von der Wildtierpopulation bis zum Angstniveau, können ein Frühwarnsignal dafür sein, dass ein System eine kritische Schwelle erreicht, einen sogenannten Wendepunkt, an dem sich diese Veränderungen beschleunigen oder sogar irreversibel werden können.

Aber welche Datenpunkte sind am wichtigsten? Und welche sind einfach nur Lärm?

Ein neuer Algorithmus, der von Forschern der University at Buffalo entwickelt wurde, kann die aussagekräftigsten Datenpunkte identifizieren, die darauf schließen lassen, dass ein Wendepunkt in der Nähe ist. Ausführlich In NaturkommunikationDieser theoretische Rahmen nutzt die Leistungsfähigkeit stochastischer Differentialgleichungen, um die Fluktuation von Datenpunkten oder Knoten zu beobachten und dann zu bestimmen, welche zur Berechnung eines Frühwarnsignals verwendet werden sollten.

Simulationen bestätigten, dass diese Methode bei der Vorhersage theoretischer Wendepunkte genauer war als die zufällige Auswahl von Knoten.

„Jeder Knoten ist etwas verrauscht – mit anderen Worten, er ändert sich im Laufe der Zeit –, aber einige können sich früher und drastischer ändern als andere, wenn ein Wendepunkt nahe ist. Die Auswahl der richtigen Knotengruppe kann die Qualität des Frühwarnsignals verbessern, z. B Außerdem helfen wir uns, die Verschwendung von Ressourcen durch die Beobachtung nicht informativer Knoten zu vermeiden“, sagt der Hauptautor der Studie, Naoki Masuda, Ph.D., Professor und Leiter des Graduiertenstudiums am Fachbereich Mathematik der UB am College of Arts and Sciences.

Die Studie wurde gemeinsam von Neil Maclaren, einem Postdoktoranden am Fachbereich Mathematik, und Kazuyuki Aihara, Geschäftsführer des Internationalen Forschungszentrums für Neurointelligenz an der Universität Tokio, verfasst.

Über Netzwerke verbundene Warnsignale

Der Algorithmus ist insofern einzigartig, als er die Netzwerkwissenschaft vollständig in den Prozess einbezieht. Während Frühwarnsignale in den letzten zwei Jahrzehnten auf Ökologie und Psychologie angewendet wurden, habe sich wenig Forschung darauf konzentriert, wie diese Signale innerhalb eines Netzwerks verbunden seien, sagt Masuda.

Denken Sie an eine Depression. Neuere Forschungen haben es und andere psychische Störungen als ein Netzwerk von Symptomen betrachtet, die sich gegenseitig beeinflussen, indem sie Rückkopplungsschleifen erzeugen. Appetitlosigkeit könnte in naher Zukunft das Auftreten von fünf weiteren Symptomen bedeuten, je nachdem, wie nah diese Symptome im Netzwerk sind.

„Als Netzwerkwissenschaftler hatte ich das Gefühl, dass die Netzwerkwissenschaft einen einzigartigen oder vielleicht sogar verbesserten Ansatz für Frühwarnsignale bieten könnte“, sagt Masuda.

Durch die gründliche Betrachtung von Systemen als Netzwerke stellten die Forscher fest, dass die einfache Auswahl der Knoten mit den höchsten Schwankungen nicht die beste Strategie war. Das liegt daran, dass einige ausgewählte Knoten möglicherweise zu eng mit anderen ausgewählten Knoten verknüpft sind.

„Selbst wenn wir zwei Knoten mit guten Frühwarnsignalen kombinieren, erhalten wir nicht unbedingt ein genaueres Signal. Manchmal erhalten wir durch die Kombination eines Knotens mit einem guten Signal und eines anderen Knotens mit einem Signal mittlerer Qualität tatsächlich ein besseres Signal“, so Masuda sagt.

Während das Team den Algorithmus mit numerischen Simulationen validierte, sagen sie, dass er problemlos auf tatsächliche Daten angewendet werden kann, da keine Informationen über die Netzwerkstruktur selbst erforderlich sind; Es sind lediglich zwei unterschiedliche Zustände des vernetzten Systems erforderlich, um einen optimalen Knotensatz zu bestimmen.

„Die nächsten Schritte werden darin bestehen, mit Fachexperten wie Ökologen, Klimawissenschaftlern und Medizinern zusammenzuarbeiten, um den Algorithmus mit ihren empirischen Daten weiterzuentwickeln und zu testen und Einblicke in ihre Probleme zu gewinnen“, sagt Masuda.