Uma nova centralidade para Redes Multiplex não direcionadas
Ano de defesa: | 2021 |
---|---|
Autor(a) principal: | |
Outros Autores: | , |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal do Amazonas
Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | https://tede.ufam.edu.br/handle/tede/8649 |
Resumo: | Uma questão desafiadora na ciência da informação, em sistemas biológicos e muitos outros campos de pesquisa, é determinar os agentes mais relevantes, ou centrais, em uma rede ou um grafo. Essas redes geralmente descrevem cenários usando nós (objetos) e arestas (as relações entre os objetos). As chamadas medidas de centralidade visam resolver este tipo de desafio, classificando os nós pela sua suposta relevância e elegendo os nós mais relevantes. Esse problema se torna mais desafiador quando uma única rede não é suficiente para representar todo o cenário. Nesses casos, pode-se trabalhar com redes multiplex caracterizadas por um conjunto de camadas de rede, cada uma descrevendo inter-relações que podem mudar dependendo de fatores externos, por exemplo, o tempo. Esta tese propõe uma nova medida de centralidade, a Centralidade Baseada em Grupos para redes multiplex não direcionadas, que tem como objetivo encontrar, de forma eficiente, os nós mais relevantes em uma rede multiplex não direcionada. Utiliza-se três estudos de caso para descrever o uso da centralidade: uma investigação de corrupção brasileira conhecida como “Operação Lava Jato”, o conjunto de livros da franquia Harry Potter e a investigação de corrupção brasileira em licitações públicas conhecida como “Operação Licitante Fantasma”. Nos três estudos de caso a centralidade proposta supera centralidades bem conhecidas, como: Betweenness, Eigenvector, PageRank, Closeness e Weighted Degree, e centralidades concebidas para redes multiplex como a Multiplex PageRank e a Cross-Layer Degree Centrality. |