Submitted by Renata Lopes (renatasil82@gmail.com) on 2015-12-02T09:44:19Z No. of bitstreams: 1 eduardochinelatecosta.pdf: 1021822 bytes, checksum: b72dff6cf071e8de1cb23f6cb7d27245 (MD5) / Made available in DSpace on 2015-12-02T09:44:19Z (GMT). No. of bitstreams: 1 eduardochinelatecosta.pdf: 1021822 bytes, checksum: b72dff6cf071e8de1cb23f6cb7d27245 (MD5) Previous issue date: 2015-02-23 / FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais / Atualmente, há um grande interesse em investigar a dinâmica em Grafos Variantes no Tempo (GVTs). Esses grafos contemplam a evolução temporal, tanto de nós, quanto de arestas. Nesse cenário, de maneira similar a grafos estáticos, o conceito de centralidade geralmente se refere a métricas que avaliam a importância relativa dos vértices. Entretanto, GVTs possibilitam a avaliação da importância dos instantes de tempo (ou estados) de um grafo ao longo de sua existência. Determinar instantes de tempo importantes nesse contexto pode ter aplicações práticas fortes, sendo particularmente úteis para definir melhores momentos para difusão, gerar modelos e prever o comportamento de GVTs. Neste trabalho, nós definimos Centralidade de Tempo em Grafos Variantes no Tempo. A centralidade de tempo avalia a importância relativa dos instantes de tempo. São apresentadas duas métricas de centralidade de tempo voltadas a processos de difusão de informação e uma métrica baseada na disposição das conexões da rede. As métricas foram avaliadas em um conjunto de dados real. Os resultados mostram que os instantes de tempo melhor classificados, de acordo com as métricas criadas, podem tornar o processo de difusão mais rápido e eficiente. Comparado com uma escolha aleatória, o processo de difusão iniciado nos instantes de tempo mais bem classificados pode ser até 2,5 vezes mais rápido, e também pode atingir praticamente o dobro do número de nós na rede em alguns casos. / Currently, there is a great interest in investigating dynamics in Time-Varying Graphs (TVGs). These graphs contemplate the temporal evolution, both nodes and edges. In this scenario, similar to static graphs, centrality usually refers to metrics that assess the relative importance of vertices. However, in TVGs it is possible to assess the importance of time instants (or states) of a graph throughout its existence. Determining important time instants in this context may have strong practical applications and is particularly useful for defining best times to spread, generate models and predict the behavior of TVGs. In this paper, we define time centrality in Time-Varying Graphs. Time centrality evaluates the relative importance of time instants. We present two time centrality metrics focused on information dissemination processes and another based on layout of network connections.. We evaluate metrics we define relying in a real dataset from an hospital environment. Our results show that the best classified time instants, according to created metrics, can make a faster and more efficient diffusion process. Compared to a random choice, the diffusion process starting at best rated time instants can up to 2.5 times faster, and it also can reach almost double the number of nodes in the network in some cases.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2016-01-12T14:37:07Z No. of bitstreams: 1 eduardochinelatecosta.pdf: 1021822 bytes, checksum: b72dff6cf071e8de1cb23f6cb7d27245 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2016-01-25T17:15:42Z (GMT) No. of bitstreams: 1 eduardochinelatecosta.pdf: 1021822 bytes, checksum: b72dff6cf071e8de1cb23f6cb7d27245 (MD5) / Made available in DSpace on 2016-01-25T17:15:42Z (GMT). No. of bitstreams: 1 eduardochinelatecosta.pdf: 1021822 bytes, checksum: b72dff6cf071e8de1cb23f6cb7d27245 (MD5) Previous issue date: 2015-02-23 / FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais / Atualmente, há um grande interesse em investigar a dinâmica em Grafos Variantes no Tempo (GVTs). Esses grafos contemplam a evolução temporal, tanto de nós, quanto de arestas. Nesse cenário, de maneira similar a grafos estáticos, o conceito de centralidade geralmente se refere a métricas que avaliam a importância relativa dos vértices. Entretanto, GVTs possibilitam a avaliação da importância dos instantes de tempo (ou estados) de um grafo ao longo de sua existência. Determinar instantes de tempo importantes nesse contexto pode ter aplicações práticas fortes, sendo particularmente úteis para definir melhores momentos para difusão, gerar modelos e prever o comportamento de GVTs. Neste trabalho, nós definimos Centralidade de Tempo em Grafos Variantes no Tempo. A centralidade de tempo avalia a importância relativa dos instantes de tempo. São apresentadas duas métricas de centralidade de tempo voltadas a processos de difusão de informação e uma métrica baseada na disposição das conexões da rede. As métricas foram avaliadas em um conjunto de dados real. Os resultados mostram que os instantes de tempo melhor classificados, de acordo com as métricas criadas, podem tornar o processo de difusão mais rápido e eficiente. Comparado com uma escolha aleatória, o processo de difusão iniciado nos instantes de tempo mais bem classificados pode ser até 2,5 vezes mais rápido, e também pode atingir praticamente o dobro do número de nós na rede em alguns casos. / Currently, there is a great interest in investigating dynamics in Time-Varying Graphs (TVGs). These graphs contemplate the temporal evolution, both nodes and edges. In this scenario, similar to static graphs, centrality usually refers to metrics that assess the relative importance of vertices. However, in TVGs it is possible to assess the importance of time instants (or states) of a graph throughout its existence. Determining important time instants in this context may have strong practical applications and is particularly useful for defining best times to spread, generate models and predict the behavior of TVGs. In this paper, we define time centrality in Time-Varying Graphs. Time centrality evaluates the relative importance of time instants. We present two time centrality metrics focused on information dissemination processes and another based on layout of network connections.. We evaluate metrics we define relying in a real dataset from an hospital environment. Our results show that the best classified time instants, according to created metrics, can make a faster and more efficient diffusion process. Compared to a random choice, the diffusion process starting at best rated time instants can up to 2.5 times faster, and it also can reach almost double the number of nodes in the network in some cases.