Análise de dados espaço-temporais baseado em redes complexas

• Processo: 18/24260-5
• Linha de fomento: Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado
• Vigência (Início): 01 de fevereiro de 2019
• Vigência (Término): 31 de janeiro 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
• Supervisor no Exterior: Santo Fortunato
• Instituição-sede: Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto (FFCLRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
• Local de pesquisa : Indiana University, Estados Unidos
• Vinculado à bolsa: 16/23698-1 - Processos dinâmicos em aprendizado de máquina baseados em redes complexas, BP.PD
• Assunto(s): Redes complexas

Resumo

A teoria de redes complexas ajudou a identificar informações valiosas em muitos domínios, onde os sistemas são complexos, com conexões e propriedades não triviais. Desta forma, entender como a estrutura da rede impacta a dinâmica e também como inferir a estrutura a partir dessas dinâmicas é de suma importância para a área. Neste projeto, objetivamos desenvolver métodos para analisar os padrões de atividade e evolução das redes dinâmicas. O projeto inclui a proposta, desenvolvimento e teste de novas técnicas para mineração de redes temporais e dinâmicas e a aplicação de técnicas de análise de redes para problemas do mundo real. Analisaremos e avaliaremos padrões de redes dinâmicas em dados espaços-temporais de clima, cujos índices climáticos são geo e temporalmente marcados. Vamos propor um conjunto de métodos para redes geo-temporais que, embora aplicados sobre dados climáticos, podem em princípio ser estendidos a qualquer tipo de dados temporais. Outros possíveis conjuntos de dados que iremos explorar incluem a difusão da desinformação, dados da rede de votação e redes de opinião. Quanto à fundamentação para a avaliação geo-temporal, pretendemos aplicar e adaptar métodos clássicos de redes, incluindo medidas de centralidade, algoritmos de detecção de comunidades e métricas globais de redes para avaliar a estrutura. As análises serão realizadas considerando a teoria de redes complexas, aprendizado de máquina e redes dinâmicas, utilizando conjuntos de dados artificiais e reais, avaliando os métodos da literatura e aplicando-os a problemas reais.

Publicações científicas

(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.; 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.