Si chiama network embedding ed e' una delle tecniche piu' usate dall'intelligenza artificiale per leggere le reti complesse: trasportare nodi e archi in uno spazio numerico in cui un modello machine learning puo' fare previsioni. Il 14 maggio 2026 la rivista IEEE Transactions on Knowledge and Data Engineering ha pubblicato un nuovo metodo firmato da un gruppo di ricerca italiano e danese che riesce, finalmente, a preservare non solo la vicinanza tra i nodi ma anche il loro ruolo strutturale.
L'algoritmo arriva dalla Scuola Superiore Sant'Anna di Pisa, dalla Scuola IMT Alti Studi di Lucca e dalla Aalborg University in Danimarca. Lo studio e' firmato da Giuseppe Squillace (lead author, Universite Paris-Saclay), Mirco Tribastone (IMT Lucca), Max Tschaikowski (Aalborg) e Andrea Vandin (Sant'Anna).
Perche' "leggere le reti come l'occhio umano" conta
Un grafo, in informatica, e' fatto di nodi e archi: ogni nodo puo' essere una persona, una stazione di metropolitana, una proteina. Gli algoritmi di network embedding tradizionali (DeepWalk, Node2Vec, GraphSAGE) trasformano i nodi in vettori conservando soprattutto chi sta vicino a chi. Cio' che si perdeva, fino a oggi, era il ruolo: due hub di traffico distanti chilometri ma con la stessa funzione finivano in punti molto diversi dello spazio vettoriale.
Il metodo italo-danese inverte la rotta: due nodi che svolgono la stessa funzione nella rete – per esempio due aeroporti di smistamento – ricevono rappresentazioni numeriche simili anche se sono lontani. E' un dettaglio tecnico con conseguenze pratiche enormi: identificare snodi critici nelle reti di trasporto, riconoscere proteine analoghe in pathway biologici diversi, smascherare account che pretendono ruoli civili in social network manipolati.
Tre applicazioni concrete
Gli autori hanno testato il metodo su tre famiglie di reti.
- Reti di trasporto: l'algoritmo riconosce stazioni con la stessa funzione di smistamento, utile per la pianificazione di nuove infrastrutture e per individuare colli di bottiglia in caso di emergenza.
- Sistemi biologici: nei pathway metabolici, due enzimi che catalizzano reazioni analoghe in compartimenti diversi finiscono nello stesso intorno vettoriale, accelerando il drug discovery.
- Social network: identifica utenti con comportamenti analoghi anche se geograficamente lontani – un'arma in piu' contro la diffusione coordinata di disinformazione.
Velocita' e interpretabilita': il vero salto
I metodi precedenti che cercavano di catturare i ruoli strutturali, come struc2vec, pagavano la maggior precisione con costi computazionali pesanti. Il nuovo algoritmo riduce significativamente i tempi di calcolo grazie a una formulazione algebrica delle equivalenze tra nodi, ed e' al tempo stesso interpretabile: i ricercatori possono leggere a posteriori perche' due nodi sono finiti vicini, senza navigare a vista in uno spazio latente.
E' un aspetto cruciale per la ricerca europea, che ha fatto della spiegabilita' dei modelli AI una bandiera politica e regolamentare con l'AI Act.
L'Italia che fa ricerca AI vera
La pubblicazione su IEEE TKDE – una delle riviste di riferimento del settore – arriva in un momento in cui la ricerca AI italiana sta ricevendo attenzione politica. La candidatura di Bologna come sede della futura Frontier AI Facility europea, l'addestramento del modello Domyn Small su Leonardo e i 12 mestieri dell'IA definiti da UNI raccontano un Paese che si organizza. Lavori come quello firmato da Squillace, Tribastone, Tschaikowski e Vandin mostrano che l'eccellenza c'e' anche sul versante algoritmico, non solo sull'infrastruttura.
La Scuola Superiore Sant'Anna e la IMT Lucca, in particolare, hanno costruito negli anni un network di collaborazioni con Aalborg, Saclay e Sapienza che produce regolarmente paper di alto impatto su grafi, sistemi dinamici e machine learning interpretabile. E' una nicchia italiana che lavora sotto traccia, senza la cassa di risonanza dei lab statunitensi, ma con risultati pubblicati nelle migliori sedi.
Cosa cambia per chi usa l'AI su grafi
Per chi lavora con graph neural network su dati reali – team R&D in logistica, farmaceutica, telco, fraud detection – il nuovo metodo offre un'opzione in piu' quando gli algoritmi classici falliscono nel riconoscere similitudini funzionali. Il codice non e' ancora pubblico su GitHub, ma gli autori hanno annunciato il rilascio open source nei prossimi mesi, con benchmark riproducibili e dataset di test. Per i dottorati italiani sara' un'occasione concreta di lavoro su un metodo "made in Tuscany" che entra direttamente nello stato dell'arte internazionale del settore.
