Noticias
Sobre esta investigación, Andrés Abeliuk explica: “Los índices de centralidad identifican nodos clave en una red, como personas o páginas web, que son influyentes o destacadas. La centralidad evalúa cuán centralmente está ubicado un nodo basándose en su proximidad a otros nodos. Por ejemplo, un nodo con alta centralidad puede comunicarse eficazmente con muchos otros nodos en la red, facilitando la rápida propagación de información y fortaleciendo la cohesión de la red”.
Calcular estos índices en redes es costoso computacionalmente y no escalan eficientemente, lo que limita su aplicación en redes grandes. El académico comenta que el trabajo desarrollado junto a Francisco Plana y Jorge Pérez, “propone una heurística basada en indicadores locales, como la popularidad de un nodo, para estimar la centralidad de los nodos en la red. Esta heurística alcanza una gran precisión en redes que muestran una distribución desigual donde unos pocos nodos están altamente conectados, aprovechando la correlación entre la centralidad local y la centralidad global en una red”.
Además, se propone un algoritmo para estimar la centralidad de nodos en una red que es competitivo en precisión con métodos de aprendizaje automático, con la ventaja de ser eficiente en términos de tiempo y costo computacional. “Este enfoque sugiere que simples heurísticas pueden ser efectivas para la estimación de medidas en redes complejas. Particularmente en redes sociales, donde cuanto más conectado esté un nodo, más probabilidades tiene de recibir nuevos enlaces”, concluye el Andrés Abeliuk.
Fuente: DCC U. Chile
