Le modèle d'IA découvre et reconstruit les relations multi-entités cachées
Tout comme lorsque plusieurs personnes se réunissent simultanément dans une salle de réunion, les interactions d'ordre supérieur – où de nombreuses entités interagissent en même temps – se procurent dans divers domaines et reflètent la complexité des relations du monde réel. Cependant, en raison de limitations techniques, dans de nombreux domaines, seules les interactions par paires de bas ordre entre les entités peuvent être observées et collectées, ce qui entraîne la perte d'un contexte complet et restreint une utilisation pratique.
Des chercheurs kaist dirigés par le professeur Kijung Shin ont développé le modèle de l'IA « Marioh » (reconstruction hypergraphique de multiplicité), qui peut reconstruire avec précision les interactions d'ordre supérieur à partir de ces informations de faible ordre, ouvrant les possibilités analytiques innovantes dans des domaines tels que l'analyse des réseaux sociaux, les neurosciences et les scénarios de vie.
La reconstruction des interactions d'ordre supérieur est difficile car un grand nombre d'interactions d'ordre supérieur peuvent résulter de la même structure de faible ordre.
L'idée clé derrière Marioh, développée par l'équipe de recherche, est d'utiliser des informations de multiplicité sur les interactions de faible commande pour réduire considérablement le nombre d'interactions candidates d'ordre supérieur qui pourraient provenir d'une structure donnée.
De plus, en utilisant des techniques de recherche efficaces, Marioh identifie rapidement les candidats à l'interaction prometteurs et utilise un apprentissage en profondeur basé sur la multiplicité pour prédire avec précision la probabilité que chaque candidat représente une interaction d'ordre supérieur réel.
Grâce à des expériences sur dix ensembles de données dans le monde réel, l'équipe de recherche a montré que MARIOH avait reconstruit les interactions d'ordre supérieur avec une précision jusqu'à 74% plus importante par rapport aux méthodes existantes.
Par exemple, dans un ensemble de données sur les relations avec la co-automatisation (source: DBLP), Marioh a atteint une précision de reconstruction de plus de 98%, surpassant considérablement les méthodes existantes, qui n'atteignent qu'environ 86%. En outre, la mise à profit des structures d'ordre supérieur reconstruites a entraîné une amélioration des performances des tâches en aval, y compris la prédiction et la classification.
Selon Kijung, « Marioh va au-delà des approches existantes qui reposent uniquement sur des informations de connexion simplifiées, permettant une analyse précise des interconnexions complexes trouvées dans le monde réel ». En outre, « il a des applications potentielles larges dans des domaines tels que l'analyse des réseaux sociaux pour les chats de groupe ou les réseaux collaboratifs, les sciences de la vie pour étudier les complexes protéiques ou les interactions génétiques, et les neurosciences pour suivre l'activité simultanée dans plusieurs régions cérébrales. »
La recherche a été menée par Kyuhan Lee (programme intégré MS – Ph.D à la Kim Jaechul Graduate School of AI chez Kaist; actuellement ingénieur logiciel chez Graphai), Geon Lee (programme intégré MS – Ph.D à Kaist) et le professeur Kijung Shin. Il a été présenté à la 41e conférence internationale de l'IEEE sur l'ingénierie des données, qui s'est tenue à Hong Kong en mai dernier.
