Redes Complexas: Aplicações em computação: Web, RI, redes, redes sociais e algoritmos. DCC/UFMG - PÓS e Graduação - 2 o Semestre de 2008

Loading.... (view fulltext now)

Loading....

Loading....

Loading....

Loading....

Texto

(1)

1

Redes Complexas:

Aplicações em computação: Web, RI, redes, redes sociais e algoritmos

DCC/UFMG - PÓS e Graduação - 2

o

Semestre de 2008

Virgílio A. F. Almeida

1) Descrição:

O objetivo do curso é oferecer uma visão detalhada da teoria das redes complexas, com suas aplicações em ciência da computação, como Internet, Web, recuperação de informação e algoritmos. A teoria de redes complexas se aplica a várias áreas, como física, economia, biologia e física. O curso apresenta métricas e modelos para analisar a estrutura estática das redes complexas. Apresenta ainda modelos de evolução dinâmica (ex.: temporal). Um dos objetivos do curso é aplicar os fundamentos de redes complexos para modelar redes sociais, de tal forma a usar esses resultados no projeto de algoritmos e sistemas em várias áreas da computação.

2) Objetivos Específicos

Em particular, no curso serão abordados seis tópicos em torno das redes complexas. Primeiro, vamos analisar as propriedades das redes conhecidas como “small world”, que existem entre os grafos randômicos e “lattices” regulares. Redes complexas apresentam características como “scale-free” e leis de potência (“power laws”) que descrevem as distribuições de vários atributos dessas redes. Esses tópicos serão estudados em detalhe. Ao entender essas características e propriedades das redes complexas, pode-se projetar algoritmos para busca e recuperação em tais redes. Pode-se ainda estudar mecanismos de difusão e deteçcão de informação (ex.: inovação, virus, edpidemias, spam, etc) em tais redes. Esses tópicos e seus algoritmos serão estudados no curso.

3) Tópicos e Bibliografia Associada

• 1) Redes Complexas: estrutura e funcionalidade

o M. E. J. Newman , The structure and function of complex networks, , SIAM Review 45, 167–256 (2003).

o Duncan J. Watts, A twenty-first century science, Nature, 2007 Feb; 445(7127):489 o Aaron Clauset, Cosma Rohilla Shalizi, and M. E. J. Newman,Power-law distributions in

empirical data, submitted to SIAM Review. http://www-personal.umich.edu/~mejn/pubs.html

o A.-L. Barabási, The architecture of complexity IEEE Control Systems Magazine 27:4, 33-42 (2007). http://www.barabasilab.com/pubs.php

(2)

2

o Duncan J. Watts, "Small Worlds," Chapter 3 of D.J. Watts, Six Degrees: The Science of a Connected Age (New York & London: W.W. Norton & Company, 2002). (*)

o Watts, D.J., & Strogatz, S.H. (1998). Collective dynamics of 'small-world' networks, Nature, vol. 393, pp. 440-442. (*)

o Newman, M.E.J. (2000). Models of the small-world, Journal of Statistical Physics, vol. 101, pp. 819-841.

o R. Albert, H. Jeong, and A.-L. Barabási, Diameter of the World Wide Web, Nature 401, 130-131 (1999).

o Adamic, L.A. (1999). The small world web. In Lecture Notes in Computer Science, Proceedings of the European Conference in Digital Libraries (ECDL) '99 Conference, pp. 443-454 (Berlin: Springer, 1999). (*)

o Barabasi, A. (2001). The physics of the Web, Physics World, vol. 14, no. 7, art. 9. (*) o Watts, D.J. (1999). Networks, dynamics and the small-world phenomenon. American

Journal of Sociology, vol. 105, no. 2, pp. 493-527.

o Newman, M.E.J. (2001). The structure of scientific collaboration networks, Proceedings of the National Academy of Sciences, vol. 98, no. 2, pp. 404-409.

• 3) Redes do Tipo “Scale-Free”: leis de Potência na WWW e Internet

o Broder, A., Kumar, R., Maghoul, F., Raghavan, P., Rajagopalan, S., Stata, R., Tomkins, A., & Wiener, J. (2000). Graph structure in the web. In the Proceedings of the 9th World Wide Web Conference. (*)

o Adamic, L.A., & Huberman, B.A. (2000). Power-law distribution of the World Wide

Web. Science, vol. 287, p. 2115a. (*)

o Barabasi, A.L., Albert, R., Jeong, H., & Bianconi, G. (2000). Power-law distribution of

the World Wide Web. Science, vol. 287, p. 2115b. (*)

o Barabasi, A., & Albert, R. (1999). Emergence of scaling in random networks. Science, vol. 286, pp. 509-512. (*)

o Faloutsos, M., Faloutsos, P., & Faloutsos, C. (1999). On power-law relationships of the

Internet topology. Computer Communication Review, vol. 29, pp. 251-262.

o R. Albert, H. Jeong, and A.-L. Barabási, Error and attack tolerance in complex networks, Nature 406 , 378 (2000).

o Ebel, H., Mielsch, L.I., & Bornholdt, S. (2002). Scale-free topology of e-mail networks. Physical Review E, vol. 66, 035103.

• 4) Aplicações A: gerais

o R. Albert, H. Jeong, A.-L. Barabási, Error and attack tolerance of complex networks , Nature 406, (2000). http://www.barabasilab.com/pubs.php

o Duncan J. Watts, "Epidemics and Failures," Chapter 6 of D.J. Watts, Six Degrees: The Science of a Connected Age (New York & London: W.W. Norton & Company, 2002). (*) o Duncan J. Watts, "Search in Networks," Chapter 5 of D.J. Watts, Six Degrees: The

Science of a Connected Age (New York & London: W.W. Norton & Company, 2002). (*) o Kleinberg, J. (2000). Navigation in a small world. Nature, vol. 406, p. 845. (*)

o Adamic, L.A., Lukose, R.M., Puniyani, A.R., & Huberman, B.A. (2001). Search in

power-law networks. Physical Review E, vol. 64, no. 046135. (*)

o Menczer, F. (2002). Growing and navigating the small world Web by local content, Proceedings of the National Academy of Sciences, vol. 99, no. 22, pp. 14014-14019. o .M. C. González, C. A. Hidalgo, A.-L. Barabási, Understanding individual human

mobility patterns , Nature 453, 779-782 (2008).

(3)

3

o Watts, D.J., Dodds, P.S., & Newman, M.E.J. (2002). Identity and search in social

networks. Science, vol. 296, pp. 1302-1305.

o Gueorgi Kossinets1* and Duncan J. Watts, Empirical Analysis of an Evolving Social

Network, Science 6 January 2006, Vol. 311. no. 5757, pp. 88 – 90

o Jun Zhang, Mark Ackerman and Lada Adamic, Expertise Networks in Online Communities: Structure and Algorithms, WWW2007, Banff, Canada

o D. Crandall, D. Cosley, D. Huttenlocher, J. Kleinberg, S. Suri. Feedback Effects between

Similarity and Social Influence in Online Communities. Proc. 14th ACM SIGKDD Intl. Conf. on Knowledge Discovery and Data Mining, 2008.

o P. Vaz de Melo, V. Almeida, A. Loureiro, Can Complex Network Metrics Predict the Behavior of NBA Teams?.Proc. 14th ACM SIGKDD Intl. Conf. on Knowledge Discovery and Data Mining, 2008.

o , J. Leskovec, L. Backstrom, R. Kumar, A. Tomkins., Microscopic Evolution of Social Networks , Proc. 14th ACM SIGKDD Intl. Conf. on Knowledge Discovery and Data Mining, 2008.

o M. Seshadri, S. Machiraju, A. Sridharan, J. Bolot, C. Faloutsos, J. Leskovec., Mobile Call Graphs: Beyond Power-Law and Lognormal DistributionsProc. 14th ACM SIGKDD Intl. Conf. on Knowledge Discovery and Data Mining, 2008.

o L. Backstrom, D. Huttenlocher, J. Kleinberg, X. Lan. Group Formation in Large Social

Networks: Membership, Growth, and Evolution. Proc. 12th ACM SIGKDD Intl. Conf. on Knowledge Discovery and Data Mining, 2006.

4) LIVROS Gerais:

 Albert-László Barabási, Linked: How Everything Is Connected to Everything Else and What It Means, Plume Publishing, 2003.

 Duncan Watts, Six Degrees: The Science of a Connected Age, W. W. Norton & Company, Feb. 2004

Específicos:

 Romualdo Pastor-Satorras and Alessandro Vespignani, Evolution and Structure of

the Internet: A Statistical Physics Approach, Cambridge University Press,

February 2004.

 Stefan Bornholdt (Editor), Heinz Georg Schuster (Editor), Handbook of Graphs

and Networks : From the Genome to the Internet, Wiley February 2003.

5) Organização do Curso

• Provas: duas provas em sala de aula, cada uma valendo 25% do conceito final. • “Midterm Paper” (10%), individual ou grupos de 2 alunos. O “paper” de no 5

páginas (coluna dupla) deverá fazer um “survey” completo sobre um tema escolhido e propor novas idéias, se possível apresentar resultados.

• Projeto (35%) – individual ou grupos de 2 alunos. O trabalho deverá desenvolver

um projeto experimental, de maneira sistemática, de acordo com o método científico. O projeto poderá usar temas de pesquisas de outras disciplinas, como

(4)

4

redes, recuperação de informação, redes de sensores, robótica, sistemas operacionais, etc. Entretanto, tem de ser um novo projeto e não algo já apresentado em outra disciplina. Pode aproveitar trabalhos iniciados em outras disciplinas, mas tem de apresentar os conhecimentos deste curso.

• Os alunos deverão ler antes das aulas os artigos que serão discutidos e alguns

selecionados farão apresentações e haverá arguições sobre os artigos assinalados para cada aula. Os alunos deverão participar ativamente das discussões de artigos em sala de aula.

• Nota Final: leituras (5%), exercícios (10%), projeto (35%) e provas (50%)

6) Programa do Curso e Calendário de Aulas e Leituras de Artigos

Agosto

 Dia 11 - apresentação do curso  Dia 13 – tópico 1,

 Dia 18 – tópico 1,  Dia 20 – tópico 1

 Dia 25 – KDD – estudo individual e leitura de artigos  Dia 27 – KDD – estudo individual e leitura de artigos

Setembro

 Dia 1 – tópico 2  Dia 3 – tópico 2  Dia 8 – tópico 2  Dia 10 – tópico 3

 Dia 15 – India – estudo individual artigos [3]  Dia 17 – India – estudo individual artigos [3]  Dia 22 - tópico 3  Dia 24 - tópico 3  Dia 29 - Prova #1

Outubro

 Dia 5 – tópico 4  Dia 7 – tópico 4  Dia 13 – tópico 4  Dia 15 - tópico 4  Dia 20 – tópico 5  Dia 22 – tópico 5  Dia 27 - tópico 5  Dia 29 – não haverá aula

Novembro

 Dia 3 – tópico 5  Dia 5 – tópico 5

(5)

5

 Dia 10 - CNPq - estudo individual  Dia 12 – CNPq - estudo individual  Dia 17 – tópico 5

 Dia 19 - reserva Técnica  Dia 24 – reserva Técnica  Dia 26 - Prova #2

Dezembro

 Dia 1 – apresentação de projetos  Dia 3 – apresentação de projetos  Dia 8 – apresentação projetos

Imagem

Referências

temas relacionados :