You are on page 1of 2

Adilton C. Santos Universidade Federal do ABC Comunicação e Redes – BC0506 – Atividade 1 Prof.

Raphael Yokoingawa de Camargo – 1T2010 ____________________________________________________________________________________ DETECÇÃO DE COMUNIDADES EM REDES COMPLEXAS: UM MODELO DE CORRELAÇÃO OSCILATÓRIA Uma característica notável observada nas redes complexas é a presença de comunidades, também definidas como grupos de vértices da rede densamente conectados. Essas comunidades representam padrões de interação entre os vértices da rede. A identificação e a similaridade das características dos vértices que as compõem são fatores importantes para a formação e o entendimento dos mecanismos de crescimento de uma comunidade. Desta forma, por meio da identificação e do estudo das comunidades é possível obter informações pertinentes ao domínio da rede. O processo de detecção de comunidades em uma rede não é computacionalmente trivial. Dada a grande quantidade de modelos propostos e seus distintos mecanismos computacionais, uma maneira usual de compará-los é utilizando redes randômicas clusterizadas. Tais redes são compostas por N vértices divididos em M grupos. A rede é formada com base em duas probabilidades definidas: a probabilidade de ligação entre vértices de uma mesma comunidade e a probailidade de ligação entre vértices de comunidades distintas. Considerando o dilema precisão-eficiência observado em um estudo comparativo de diversas técnicas, uma nova técnica para a detecção de comunidades é proposta, baseada na teoria da correlação temporal. A teoria da correlação temporal define que um objeto é representado pela correlação temporal dos disparos de células neurais espacialmente distribuídas que representam diferentes características de um mesmo objeto, enquanto que neurônios codificando características de objetos distintos não possuem suas atividades correlacionadas. Uma maneira natural de realizar a correlação temporal é feita através de osciladores: cada objeto é representado por um conjunto de osciladores com atividades síncromas, enquanto que objetos distintos são representados por grupos de osciladores fora de sincronia. No modelo proposto, cada oscilador representa um vértice da rede de tal forma que grupos de osciladores densamente conectados, representando comunidades, têm suas atividades de disparo sincronizadas, enquanto que comunidades distintas permanecem com trajetórias não correlacionadas. De forma geral, a estrutura de comunidades revela similaridades por meio de conexões entre os vértices pertencentes a um mesmo grupo que podem revelar agrupamento nos dados e evidenciar classes em problemas de classificação. Além disso, classes ou agrupamentos de formatos não triviais podem ser obtidos. Como consequência, o desenvolvimento de novas técnicas de detecção de comunidades pode contribuir para o desenvolvimento de novos algoritmos para aprendizado de máquina. A dinâmica do modelo proposto pode ser descrita da seguinte maneira: devido às conexões excitatórias, grupos de neurônios (vértices) densamente conectados, representando comunidades, têm suas atividades de disparo sincronizadas. Por outro lado, devido a presença de um inibidor global aliada a menor probabilidade de conexões intercomunidades, as atividades de disparos de comunidades distintas são dessincronizadas. Por este motivo, o modelo proposto é capaz de detectar comunidades em redes no qual cada comunidade tem sua atividade temporal de disparo segregada temporalmente das demais comunidades. Além disso, uma característica importante desta abordagem está na simplicidade do algoritmo e na rápida sincronização entre os grupos de neurônios, resultando em uma grande eficiência computacional. As simulações mostradas a seguir utilizam redes reais. Na Figura 1(a), são apresentadas as séries temporais de cada um dos osciladores representando os vértices da rede de interação social entre os indivíduos do clube de Karate. Na Figura 1(b)-(d), as séries temporais para algumas faixas do instante t são apresentadas em maior resolução temporal. A Figura 2 apresenta o resultado real desta divisão. O modelo resultante foi aplicado em diversas redes artificiais. Acredita-se que sua extensão como uma ferramenta para mineração de dados seja bastante promissora. 1

Bento Gonçalves. L.A. (a) Série temporal completa.Figura 1. 889-898 2 . Detecção de comunidades em redes complexas: um modelo de correlação oscilatória. 2009. F.. (b)-(d) representação em maior resolução temporal para algumas faixas de t. REFERÊNCIAS BIBLIOGRÁFICAS QUILES. Anais do Encontro Nacional de Inteligência Artificial (ENIA2009).p. 2009. Figura 2.1.F. R. . ROMERO. Resultado do processo de detecção de comunidades sobre a rede de interação social entre indivíduos pertencentes a um clube de Karate. In: Encontro Nacional de Inteligência Artificial (ENIA2009). ZHAO. Marcos G. BREVE. Séries temporais dos osciladores representando os vérices da rede de interação social entre indivíduos pertencentes a um clube de Karate. v.