Modeling and analyzing collective behavior captured by many-to-many networks

• Ano de defesa: 2022
• Autor(a) principal: Carlos Henrique Gomes Ferreira
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO; Programa de Pós-Graduação em Ciência da Computação; UFMG
• Palavras-chave em Português: Complex networks; Network backbone extraction; Collective behavior; Community detection; Computação – Teses; Aprendizado do computador – Teses; Redes complexas – Teses; Comportamento de massa – Teses
• Link de acesso: http://hdl.handle.net/1843/43014; https://orcid.org/ 0000-0001-9107-6884

Compreender o comportamento coletivo de (grupos de) indivíduos em sistemas complexos, mesmo em cenários em que as propriedades individuais de seus componentes sejam conhecidas, é um desafio. Do ponto de vista de modelos de redes, as ações coletivas desses indivíduos são, frequentemente, projetadas em um grafo formando uma rede de co-interações, aqui chamado de rede many-to-many. No entanto, o volume e a diversidade com que elas são observadas nos mais variados sistemas atuais como, por exemplo, aplicações de mídia social, transações econômicas e comportamento político em sistemas de votação, impõe desafios na extração de padrões (estruturais, contextuais e temporais) emergentes do comportamento coletivo e que estejam relacionados a um fenômeno alvo de estudo. Especificamente, a frequente presença de um grande número de co-interações fracas e esporádicas e que, portanto, não refletem necessariamente padrões relacionados ao fenômeno de interesse, acabam por introduzir ruído ao modelo de redes. A grande quantidade de ruído, por sua vez, pode mascarar os padrões de comportamento mais fundamentais capturados pelo modelo de rede, ou seja, os padrões que essencialmente são relevantes para o entendimento do fenômeno sob investigação. A remoção deste ruído é, portanto, um desafio importante. Nesta tese, nosso objetivo é investigar a modelagem e análise do comportamento coletivo emergente de redes formadas por co-interações em diferentes contextos, visando extrair informação relevante e fundamental sobre um fenômeno alvo do estudo. Especificamente busca-se abordar a extração de propriedades estruturais, contextuais e temporais que emergem a partir de comportamento coletivo fundamentalmente representadas por comunidades extraídas da rede. Para tal, nós propomos uma estratégia geral que aborda os principais desafios mencionados acima. Em especial, esta estratégia contempla, como passo inicial, a identificação e a extração do backbone da rede, isto é, o subconjunto das arestas relevantes para o estudo alvo. Os próximos passos consistem na extração de comunidades deste backbone, como reflexo de padrões de comportamento coletivo presentes, e a caracterização das propriedades estruturais (topológicas), contextuais (relacionadas ao fenômeno de interesse) e temporais (dinâmica) destas comunidades. Tendo como base essa estratégia geral, nós produzimos artefatos específicos para as etapas que a compõe e avançamos o estado da arte, notavelmente, com um novo método para extração de backbone, um novo método capaz de representar temporalmente uma sequência de redes (temporal node embedding) possibilitando a extração de padrões temporais de interesse, e por fim, uma metodologia para auxiliar na seleção e avaliação de estratégias de extração de backbones do ponto de vista estrutural e contextual considerando o cenário mais comum, em que não há verdade fundamental (ground truth). Além disso, exploramos esses artefatos estudando três fenômenos que requerem diferentes estratégias de modelagem e análise. Especificamente, investigamos: (i) a formação de grupos ideológicos na Câmara dos Deputados do Brasil e dos Estados Unidos, (ii) discussões políticas online ocorrendo no Instagram no Brasil e na Itália e (iii) disseminação de informação no WhatsApp. Em suma, nossos resultados mostram que os artefatos propostos oferecem contribuições relevantes para o campo em que esta tese está inserida.