Exportar registro bibliográfico

Statistical inference in complex networks (2017)

  • Authors:
  • Autor USP: OE, BIANCA MADOKA SHIMIZU - ICMC
  • Unidade: ICMC
  • Sigla do Departamento: SME
  • Subjects: ANÁLISE DE REGRESSÃO E DE CORRELAÇÃO; REDES COMPLEXAS; AMOSTRAGEM
  • Keywords: Complex networks; Processos de propagação; Regression analysis; Sampling; Spreading processes
  • Language: Inglês
  • Abstract: Vários fenômenos naturais e artificiais compostos de partes interconectadas vem sendo estudados pela teoria de redes complexas. Tal representação permite o estudo de processos dinâmicos que ocorrem em redes complexas, tais como propagação de epidemias e rumores. A evolução destes processos é influenciada pela organização das conexões da rede. O tamanho das redes do mundo real torna a análise da rede inteira computacionalmente proibitiva. Portanto, torna-se necessário representá-la com medidas topológicas ou amostrá-la para reduzir seu tamanho. Além disso, muitas redes são amostras de redes maiores cuja estrutura é difícil de ser capturada e deve ser inferida de amostras. Neste trabalho, ambos os problemas são estudados: a influência da estrutura da rede em processos de propagação e os efeitos da amostragem na estrutura da rede. Os resultados obtidos sugerem que é possível predizer o tamanho da epidemia ou do rumor com base em um modelo de regressão beta com dispersão variável, usando medidas topológicas como regressores. A medida mais influente em ambas as dinâmicas é a informação de busca média, que quantifica a facilidade com que se navega em uma rede. Também é mostrado que a estrutura de uma rede amostrada difere da original e que o tipo de mudança depende do método de amostragem utilizado. Por fim, quatro métodos de amostragem foram aplicados para estudar o comportamento do limiar epidêmico de uma rede quando amostrada com diferentes taxas de amostragem. Os resultadossugerem que a amostragem por busca em largura é a mais adequada para estimar o limiar epidêmico entre os métodos comparados.
  • Imprenta:
  • Data da defesa: 16.01.2017
  • Acesso à fonte
    How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      OE, Bianca Madoka Shimizu; RODRIGUES, Francisco Aparecido. Statistical inference in complex networks. 2017.Universidade de São Paulo, São Carlos, 2017. Disponível em: < http://www.teses.usp.br/teses/disponiveis/55/55134/tde-28032017-095426/ >.
    • APA

      Oe, B. M. S., & Rodrigues, F. A. (2017). Statistical inference in complex networks. Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-28032017-095426/
    • NLM

      Oe BMS, Rodrigues FA. Statistical inference in complex networks [Internet]. 2017 ;Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-28032017-095426/
    • Vancouver

      Oe BMS, Rodrigues FA. Statistical inference in complex networks [Internet]. 2017 ;Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-28032017-095426/

    Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

    Digital Library of Intellectual Production of Universidade de São Paulo     2012 - 2021