Processos dinâmicos em aprendizado de máquina baseados em redes complexas

• Processo: 16/23698-1
• Linha de fomento: Bolsas no Brasil - Pós-Doutorado
• Vigência (Início): 01 de julho de 2017
• Vigência (Término): 31 de março de 2020
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Zhao Liang
• Beneficiário: Didier Augusto Vega Oliveros
• Instituição-sede: Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto (FFCLRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
• Vinculado ao auxílio: 15/50122-0 - Fenômenos dinâmicos em redes complexas: fundamentos e aplicações, AP.TEM
• Bolsa(s) vinculada(s): 18/24260-5 - Análise de dados espaço-temporais baseado em redes complexas, BE.EP.PD
• Assunto(s): Aprendizado computacional Redes complexas

Resumo

Processos de propagação são ubíquos em muitos sistemas complexos baseados em redes. A propagação de uma epidemia, um rótulo ou informação compartilham características semelhantes e dependem profundamente da organização da rede. As redes complexas possuem natureza heterogênea, onde alguns vértices são mais influentes que outros e existem diferentes tipos de vértices conectados entre si. Desse modo, entender como a estrutura da rede impacta nas dinâmicas e também como inferir a estrutura a partir dessas dinâmicas é de suma importância para a área. Neste projeto, objetivamos desenvolver métodos para aprimorar as tarefas dos processos dinâmicos de aprendizado de máquina em redes complexas, analisando o impacto que a rede exerce sobre elas. Vamos analisar quais os vértices mais influentes na tarefa de propagação de rótulos e quais podem ser recomendados para serem rotulados de modo a maximizar os resultados do processo. Também, desenvolveremos métodos para detectar a estrutura de comunidades da rede a partir das dinâmicas de propagação. Por último, mediante o uso de redes multicamadas, desenvolveremos um método de seleção de atributos próprio para redes. As análises serão conduzidas considerando a teoria de redes complexas e aprendizado de máquina, usando bases de dados artificiais e reais, avaliando com os métodos da literatura e aplicando em possíveis problemas reais.

Publicações científicas

(7)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

VEGA-OLIVEROS, DIDIER A.; COSTA, LUCIANO DA FONTOURA; RODRIGUES, FRANCISCO APARECIDO. Influence maximization by rumor spreading on correlated networks through community identification. COMMUNICATIONS IN NONLINEAR SCIENCE AND NUMERICAL SIMULATION, v. 83, APR 2020. Citações Web of Science: 0.

FERREIRA, LEONARDO N.; VEGA-OLIVEROS, DIDIER A.; ZHAO, LIANG; CARDOSO, MANOEL F.; MACAU, ELBERT E. N. Global fire season severity analysis and forecasting. Computers & Geosciences, v. 134, JAN 2020. Citações Web of Science: 1.

DE CASTRO SANTOS, MATHEUS A.; VEGA-OLIVEROS, DIDIER A.; ZHAO, LIANG; BERTON, LILIAN. Classifying El Ni & x00F1;o-Southern Oscillation Combining Network Science and Machine Learning. IEEE ACCESS, v. 8, p. 55711-55723, 2020. Citações Web of Science: 0.

VEGA-OLIVERO, DIDIER A.; GOMES, PEDRO SPOLJARIC; MILIOS, EVANGELOS E.; BERTON, LILIAN. A multi-centrality index for graph-based keyword extraction. INFORMATION PROCESSING & MANAGEMENT, v. 56, n. 6 NOV 2019. Citações Web of Science: 0.

ANGHINONI, LEANDRO; ZHAO, LIANG; JI, DONGHONG; PAN, HENG. Time series trend detection and forecasting using complex network topology analysis. NEURAL NETWORKS, v. 117, p. 295-306, SEP 2019. Citações Web of Science: 0.

VEGA-OLIVEROS, DIDIER A.; ZHAO, LIANG; BERTON, LILIAN. Evaluating link prediction by diffusion processes in dynamic networks. SCIENTIFIC REPORTS, v. 9, JUL 25 2019. Citações Web of Science: 0.

VEGA-OLIVEROS, DIDIER A.; MENDEZ-BERMULEZ, J. A.; RODRIGUES, FRANCISCO A. Multifractality in random networks with power-law decaying bond strengths. Physical Review E, v. 99, n. 4 APR 10 2019. Citações Web of Science: 2.