Sistemas Complexos são característicos por possuir uma rede interna representando o relacionamento estrutural entre seus elementos e uma forma natural de interpretar essa interação é através de um grafo. Neste trabalho, o sistema de transporte público urbano de São Paulo é reinterpretado de forma acoplada (ônibus e metrô juntos) como uma rede complexa, abstraindo detalhes operacionais e focando na conectividade. Pelo grafo empiricamente gerado, é feita uma caraterização estatística nas métricas de redes complexas, onde diferentes valores de raio de distância são usados para agrupar pontos e estações próximas que antes se apresentavam desconectados. Esse agrupamento pode ser interpretado como uma ferramenta de política pública, representando a disposição do usuário em se locomover ao ponto mais próximo para acessar o transporte. O processo mostrou que aumentar essa disposição gera grande redução na distância e número de passos entre ônibus, trens e linhas de metrô para atingir todos os destinos da rede. É utilizado um modelo exploratório que testa a robustez da rede aleatoriamente, deterministicamente e probabilisticamente tendo como alvo pontos e linhas. De acordo com os raios de agrupamento, definido como disposição, diferentes valores de fragmentação foram obtidos diante dos ataques simulados. Esses resultados suportam duas principais características observadas na literatura de redes deste tipo: possuem um elevado grau de robustez à falhas aleatórias, mas são vulneráveis a ataques tendo como alvo nós ou links importantes / Complex systems are characteristic by having an internal network representing the structural relationship between its elements and a natural way to interpret this interaction is through a graph. In this work, the urban public transport system of São Paulo is reinterpreted as a coupled (bus and subway) complex network, bypassing operational details and focusing on connectivity. Using the empirically generated graph, a statistical characterisation is made by network metrics where different radius values are used to group nearby stops and stations that were disconnected before. That can be interpreted as a public policy tool, representing the user\'s willingness to get around the nearest point to access transportation. This process has shown that increasing this willingness generates great reduction in the distance and in the number of jumps between buses, trains and subways lines to achieve all the network destinations. An exploratory model is used to test the robustness of the network by randomly, deterministically and preferentially targeting the stops and service lines. According to the grouping radius, aka willingness, different fragmentation values were obtained under attack simulations. These findings support two main characteristics observed in such networks literature: they have a high degree of robustness to random failures, but are vulnerable to targeted attacks

Redes neurais biológicas contêm bilhões de células (neurônios) agrupadas em regiões espacial e funcionalmente distintas. Elas também apresentam comportamentos complexos, tais como dinâmicas periódicas e caóticas. Na área da Inteligência Artificial, pesquisas mostram que Redes Neurais Caóticas, isto é, modelos de Redes Neurais Artificiais que operam com dinâmicas complexas, são mais eficientes do que modelos tradicionais no que diz respeito a evitar memórias espúrias. Inspirado pelo fato de que o córtex cerebral contém agrupamentos de células e motivado pela eficiência no uso de dinâmicas complexas, este projeto de pesquisa investiga o comportamento dinâmico de um modelo de Rede Neural Artificial Recorrente, como o de Hopfield, porém com a topologia sináptica reorganizada a ponto de originar agrupamentos de neurônios, tal como acontece em uma Rede Complexa quando esta apresenta uma estrutura de comunidades. O modelo de treinamento tradicional de Hopfield também é alterado para uma regra de aprendizado que posta os padrões em ciclos, gerando uma matriz de pesos assimétrica. Resultados indicam que o modelo proposto oscila entre comportamentos periódicos e caóticos, dependendo do grau de fragmentação das sinapses. Com baixo grau de fragmentação, a rede opera com dinâmica periódica, como consequência da regra de treinamento utilizada. Dinâmicas caóticas parecem surgir quando existe um alto grau de fragmentação. Mostra-se, também, que é possível obter caoticidade em uma topologia adequadamente modular, ou seja, como uma estrutura de comunidades válida. Desta forma, este projeto de pesquisa provê uma metodologia alternativa para se construir um modelo de Rede Neural Artificial que realiza tarefas de reconhecimento de padrões, explorando dinâmicas complexas por meio de uma estrutura de conexões que se mostra mais similar à topologia existente no cérebro / Biological neural networks contain billions of neurons divided in spatial and functional clusters to perform dierent tasks. It also operates with complex dynamics such as periodic and chaotic ones. It has been shown that Chaotic Neural Networks are more efficient than conventional recurrent neural networks in avoiding spurious memory. Inspired by the fact that the cerebral cortex has speficic groups of cells and motivated by the efficiency of complex behaviors, in this document we investigate the dynamics of a recurrent neural network, as the Hopfield one, but with neurons coupled in such a way to form a complex network community structure. Also, we generate an asymmetric weight matrix placing pattern cycles during learning. Our study shows that the network can operate with periodic and chaotic dynamics, depending on the degree of the connection\'s fragmentation. For low fragmentation degree, the network operates with periodic dynamic duo to the employed learning rule. Chaotic behavior seems to rise for a high fragmentation degree. We also show that the neural network can hold both chaotic dynamic and a high value of modularity measure at the same time, indicating an acceptable community structure. These findings provide an alternative way to design dynamical neural networks to perform pattern recognition tasks exploiting periodic and chaotic dynamics by using a more similar topology to the topology of the brain

O presente trabalho tem como objetivo apresentar o resultado da análise e identificação de padrões e comportamentos de postagens na rede social Twitter monitorando um termo específico em um período definido de tempo. Após a extração e tratamento dos dados obtidos do Twitter, explicitando dentre as postagens quais são oriundas de usuários geradores de notícias, foram analisadas informações de topologia da rede de usuários do experimento, inclusive com o detalhamento das informações de propagação e duração das postagens: dados e comportamentos os quais buscamos reproduzir utilizando simulação por agentes / The present work aims to present the result of the analysis and identification of patterns and behaviors of Twitter posts monitoring a specific term in a period. After the extraction and treatment of the data obtained from Twitter, emphasizing among the posts which are generated from news agency users, were analyzed the topology information about the network of users of the experiment, including details of propagation information and duration of the posts: data and behaviors that we seek to reproduce using agent simulation

Nas últimas décadas, testemunhou-se um crescente interesse no estudo de sistemas complexos. Tais sistemas são compostos por pelo menos dois componentes fundamentais: elementos dinâmicos individuais e uma estrutura de organização definindo a forma de interação entre estes. Devido a dinâmica de cada elemento e a complexidade de acoplamento, uma grande variedade de fenômenos espaço-temporais podem ser observados. Esta tese tem como objetivo principal explorar o uso da dinâmica espaço-temporal em redes visando a solução de alguns problemas computacionais. Com relação aos mecanismos dinâmicos, a sincronização entre osciladores acoplados, a caminhada aleatória-determinística e a competição entre elementos na rede foram considerados. Referente à parte estrutural da rede, tanto estruturas regulares baseadas em reticulados quanto redes com estruturas mais gerais, denominadas redes complexas, foram abordadas. Este estudo é concretizado com o desenvolvimento de modelos aplicados a dois domínios específicos. O primeiro refere-se à utilização de redes de osciladores acoplados para construção de modelos de atenção visual. Dentre as principais características desses modelos estão: a seleção baseada em objetos, a utilização da sincronização/ dessincronização entre osciladores neurais como forma de organização perceptual, a competição entre objetos para aquisição da atenção. Além disso, ao comparar com outros modelos de seleção de objetos baseados em redes osciladores, um número maior de atributos visuais é utilizado para definir a saliência dos objetos. O segundo domínio está relacionado ao desenvolvimento de modelos para detecção de comunidades em redes complexas. Os dois modelos desenvolvidos, um baseado em competição de partículas e outro baseado em sincronização de osciladores, apresentam alta precisão de detecção e ao mesmo tempo uma baixa complexidade computacional. Além disso, o modelo baseado em competição de partículas não só oferece uma nova técnica de detecção de comunidades, mas também apresenta uma abordagem alternativa para realização de aprendizado competitivo. Os estudos realizados nesta tese mostram que a abordagem unificada de dinâmica e estrutura é uma ferramenta promissora para resolver diversos problemas computacionais / In the last decades, an increasing interest in complex system study has been witnessed. Such systems have at least two integrated fundamental components: individual dynamical elements and an organizational structure which defines the form of interaction among those elements. Due to the dynamics of each element and the coupling complexity, various spatial-temporal phenomena can be observed. The main objective of this thesis is to explore spatial-temporal dynamics in networks for solving some computational problems. Regarding the dynamical mechanisms, the synchronization among coupled oscillators, deterministic-random walk and competition between dynamical elements are taken into consideration. Referring to the organizational structure, both regular network based on lattice and more general network, called complex networks, are studied. The study of coupled dynamical elements is concretized by developing computational models applied to two specific domains. The first refers to the using of coupled neural oscillators for visual attention. The main features of the developed models in this thesis are: object-based visual selection, realization of visual perceptual organization by using synchronization / desynchronization among neural oscillators, competition among objects to achieve attention. Moreover, in comparison to other object-based selection models, more visual attributes are employed to define salience of objects. The second domain is related to the development of computational models applied to community detection in complex networks. Two developed models, one based on particle competition and another based on synchronization of Integrate-Fire oscillators, present high detection rate and at the same time low computational complexity. Moreover, the model based on particle competition not only offers a new community detection technique, but also presents an alternative way to realize artificial competitive learning. The study realized in this thesis shows that the unified scheme of dynamics and structure is a powerful tool to solve various computational problems

Diversos pesquisadores têm se utilizado do recurso de Redes de Interação na área de Biodiversidade para analisar o papel das espécies na estrutura da uma rede cujos fundamentos conceituais são os mesmos das Redes Sociais (como Facebook, LinkedIn, entre outras). Nesse sentido, algoritmos, métricas e recursos computacionais e estatísticos provenientes da área de Análise de Redes Sociais (Social Network Analysis SNA) são ferramentas importantes para endereçar/apoiar estudos com interações. Assim sendo, o objetivo desta tese é propor uma metodologia para aplicação das métricas de SNA em estudos com Redes de Interação biológicas no domínio da Informática para a Biodiversidade. A metodologia está formalizada por meio da Notação para Modelagem de Processos de Negócio (BPMN - Business Process Model and Notation) e estruturada em quatro etapas: (i) mapeamento dos tipos de dados e de interação disponíveis; (ii) definição das perguntas-chave a serem respondidas e das variáveis de análise; (iii) escolha das métricas de SNA adequadas ao contexto da pesquisa; e (iv) realização de análises biológicas com o apoio de SNA. Como recursos materiais foram utilizadas as métricas de SNA, bem como um conjunto de ferramentas computacionais (como os pacotes do R e os programas Dieta, Pajek e Ucinet) e de Análise Estatística (como a Análise Exploratória de Dados e a Análise Multivariada de Dados). Esta proposta nasceu de um processo de colaboração com pesquisadores de diversas áreas do conhecimento, a partir de projetos desenvolvidos no Núcleo de Pesquisa em Biodiversidade e Computação da USP (BioComp-USP), o que trouxe uma base de sustentação a esta metodologia. Para avaliar a adequação desta proposta a necessidades reais de pesquisa a metodologia foi aplicada a três estudos de caso com Redes de Interação microbiológicas. Os resultados mostram os benefícios que a disponibilização de um método sistematizado para guiar os passos de uma pesquisa pode trazer a um pesquisador seja em função do aporte de recursos recomendados, seja pelo processo de organização das atividades de pesquisa. Além disso, verifica-se a possibilidade de transposição desta proposta a outros domínios do conhecimento ainda não explorados, como em Agrobiodiversidade. / Several researchers have used Interaction Networks resources in the Biodiversity area for analyzing the role of species in network structure their conceptual foundations are the same as those in Social Networks (such as Facebook, LinkedIn, among others). Thus, algorithms, metrics, and statistical and computational resources from the Social Network Analysis (SNA) area are important tools for addressing this issue. Therefore, the aim of this thesis is to propose a methodology for applying SNA metrics to biological interaction network studies in the Biodiversity Informatics domain. The methodology is formalized by means of Business Process Model and Notation (BPMN) and structured in four steps: (i) mapping the data types and the interaction available; (ii) defining the key-questions to be answered and the analysis variable; (iii) choosing the SNA metrics appropriate to the context of the research; and (iv) performing the biological analysis with the support of SNA. As material resources, the SNA metrics were used, as well as a set of computational (such as R packages, Dieta, Pajek and Ucinet software) and Statistical Analysis (Exploratory Data Analysis and Multivariate Data Analysis) tools. This proposal generated a process collaboration with researchers from different knowledge areas, by means of projects developed at the Research Center on Biodiversity and Computing at USP (BioComp-USP), which provided a support base to this methodology. To assess the suitability of this proposal to the real research needs, it was applied to three case studies with microbiological Interaction Networks. The results show the benefits that providing a systematic method to guide the steps of one research can bring to a researcher be it due to the support of the resources recommended, be it by the organization of the research activities. In addition, there is the possibility of applying this methodology to unexplored knowledge fields, such as Agrobiodiversity.

Machine learning enables machines to learn automatically from data. In literature, graph-based methods have received increasing attention due to their ability to learn from both local and global information. In these methods, each data instance is represented by a vertex and is linked to other vertices according to a predefined affinity rule. However, they usually have unfeasible time cost for large problems. To overcome this problem, techniques can employ a heuristic to find suboptimal solutions in a feasible time. Early heuristic optimization methods exploit nature-inspired collective processes, such as ants looking for food sources and swarms of bees. Nowadays, advances in the field of complex systems provide powerful tools to assess and to understand dynamical systems. Complex networks, which are graphs with nontrivial topology, are among these theoretical tools capable of describing the interplay of topology, structure, and dynamics of complex systems. Therefore, machine learning methods based on complex networks and collective dynamics have been proposed. They encompass three steps. First, a complex network is constructed from the input data. Then, the simulation of a distributed collective system in the network generates rich information. Finally, the collected information is used to solve the learning problem. The coordination of the individuals in the system permit to achieve dynamics that is far more complex than the behavior of single individuals. In this research, I have explored collective dynamics in machine learning tasks, both in unsupervised and semi-supervised scenarios. Specifically, I have proposed a new collective system of competing particles that shifts the traditional vertex-centric dynamics to a more informative edge-centric one. Moreover, it is the first particle competition system applied in machine learning task that has deterministic behavior. Results show several advantages of the edge-centric model, including the ability to acquire more information about overlapping areas, a better exploration behavior, and a faster convergence time. Also, I have proposed a new network formation technique that is not based on similarity and has low computational cost. Since addition and removal of samples in the network is cheap, it can be used in real-time application. Finally, I have conducted analytical investigations of a flocking-like system that was needed to guarantee the expected behavior in community detection tasks. In conclusion, the result of the research contributes to many areas of machine learning and complex systems. / Aprendizado de máquina permite que computadores aprendam automaticamente dos dados. Na literatura, métodos baseados em grafos recebem crescente atenção por serem capazes de aprender através de informações locais e globais. Nestes métodos, cada item de dado é um vértice e as conexões são dadas uma regra de afinidade. Todavia, tais técnicas possuem custo de tempo impraticável para grandes grafos. O uso de heurísticas supera este problema, encontrando soluções subótimas em tempo factível. No início, alguns métodos de otimização inspiraram suas heurísticas em processos naturais coletivos, como formigas procurando por comida e enxames de abelhas. Atualmente, os avanços na área de sistemas complexos provêm ferramentas para medir e entender estes sistemas. Redes complexas, as quais são grafos com topologia não trivial, são uma das ferramentas. Elas são capazes de descrever as relações entre topologia, estrutura e dinâmica de sistemas complexos. Deste modo, novos métodos de aprendizado baseados em redes complexas e dinâmica coletiva vêm surgindo. Eles atuam em três passos. Primeiro, uma rede complexa é construída da entrada. Então, simula-se um sistema coletivo distribuído na rede para obter informações. Enfim, a informação coletada é utilizada para resolver o problema. A interação entre indivíduos no sistema permite alcançar uma dinâmica muito mais complexa do que o comportamento individual. Nesta pesquisa, estudei o uso de dinâmica coletiva em problemas de aprendizado de máquina, tanto em casos não supervisionados como semissupervisionados. Especificamente, propus um novo sistema de competição de partículas cuja competição ocorre em arestas ao invés de vértices, aumentando a informação do sistema. Ainda, o sistema proposto é o primeiro modelo de competição de partículas aplicado em aprendizado de máquina com comportamento determinístico. Resultados comprovam várias vantagens do modelo em arestas, includindo detecção de áreas sobrepostas, melhor exploração do espaço e convergência mais rápida. Além disso, apresento uma nova técnica de formação de redes que não é baseada na similaridade dos dados e possui baixa complexidade computational. Uma vez que o custo de inserção e remoção de exemplos na rede é barato, o método pode ser aplicado em aplicações de tempo real. Finalmente, conduzi um estudo analítico em um sistema de alinhamento de partículas. O estudo foi necessário para garantir o comportamento esperado na aplicação do sistema em problemas de detecção de comunidades. Em suma, os resultados da pesquisa contribuíram para várias áreas de aprendizado de máquina e sistemas complexos.

As redes sociais se tornaram um novo e importante meio de intercâmbio de informações, ideias e comunicação que aproximam parentes e amigos sem importar as distâncias. Dada a natureza aberta da Internet, as informações podem fluir muito fácil e rápido na população. A rede pode ser representada como um grafo, onde os indivíduos ou organizações são o conjunto de vértices e os relacionamentos ou conexões entre os vértices são o conjunto de arestas. Além disso, as redes sociais representam intrinsecamente a estrutura de um sistema mais complexo que é a sociedade. Estas estruturas estão relacionadas com as características dos indivíduos. Por exemplo, os indivíduos mais populares são aqueles com maior número de conexões. Em particular, é aceito que a estrutura da rede pode afetar a forma como a informação se propaga nas redes sociais. No entanto, ainda não está claro como a estrutura influencia na propagação, como medir seu impacto e quais as possíveis estratégias para controlar o processo de difusão. Nesta tese buscamos contribuir nas análises da interação entre as dinâmicas de propagação de informações e rumores e a estrutura da rede. Propomos um modelo de propagação mais realista considerando a heterogeneidade dos indivíduos na transmissão de ideias ou informações. Nós confirmamos a presença de propagadores mais influentes na dinâmica de rumor e observamos que é possível melhorar ou reduzir expressivamente a difusão de uma informação ao selecionar uma fração muito pequena de propagadores influentes. No caso em que se objetiva selecionar um conjunto de propagadores iniciais que maximizem a difusão de informação, a melhor opção é selecionar os indivíduos mais centrais ou importantes nas comunidades. Porém, se o padrão de conexão dos vértices está negativamente correlacionado, a melhor alternativa é escolher entre os indivíduos mais centrais de toda a rede. Por outro lado, através de abordagens topológicas e de técnicas de aprendizagem máquina, identificamos aos propagadores menos influentes e mostramos que eles atuam como um firewall no processo de difusão. Nós propomos um método adaptativo de reconexão entre os vértices menos influentes para um indivíduo central da rede, sem afetar a distribuição de grau da rede. Aplicando o nosso método em uma pequena fração de propagadores menos influentes, observamos um aumento importante na capacidade de propagação desses vértices e da rede toda. Nossos resultados vêm de uma ampla gama de simulações em conjuntos de dados artificiais e do mundo real e a comparação com modelos clássicos de propagação da literatura. A propagação da informação em redes é de grande relevância para as áreas de publicidade e marketing, educação, campanhas políticas ou de saúde, entre outras. Os resultados desta tese podem ser aplicados e estendidos em diferentes campos de pesquisa como redes biológicas e modelos de comportamento social animal, modelos de propagação de epidemias e na saúde pública, entre outros. / On-line Social networks become a new and important medium of exchange of information, ideas and communication that approximate relatives and friends no matter the distances. Given the open nature of the Internet, the information can flow very easy and fast in the population. The network can be represented as a graph, where individuals or organizations are the set of vertices and the relationship or connection among the vertices are the set of edge. Moreover, the social networks are also intrinsically representing the structure of a more complex system that is the society. These structures are related with characteristics of the subjects, like the most popular individuals have many connections, the correlation in the connectivity of vertices that is a trace of homophily phenomenon, among many others. In particular, it is well accepted that the structure of the network can affect the way the information propagates on the social networks. However, how the structure impacts in the propagation, how to measure that impact and what are the strategies for controlling the propagation of some information, it is still unclear. In this thesis, we seek to contribute in the analysis of the interplay between the dynamics of information and rumor spreading and the structure of the networks. We propose a more realistic propagation model considering the heterogeneity of the individuals in the transmission of ideas or information. We confirm the presence of influential spreaders in the rumor propagation process and found that selecting a very small fraction of influential spreaders, it is possible to expressively improve or reduce de diffusion of some information on the network. In the case we want to select a set of initial spreaders that maximize the information diffusion on the network, the simple and best alternative is to select the most central or important individuals from the networks communities. But, if the pattern of connection of the networks is negatively correlated, the best alternative is to choose from the most central individuals in the whole network. On the other hand, we identify, by topological approach and machine learning techniques, the least influential spreaders and show that they act as a firewall in the propagation process. We propose an adaptative method that rewires one edge for a given vertex to a central individual, without affecting the overall distribution of connection. Applying our proposed method in a little fraction of least influential spreaders, we observed an important increasing in the capacity of propagation of these vertices and in the overall network. Our results are from a wide range of simulations in artificial and real-world data sets and the comparison with the classical rumor propagation model. The propagation of information is of greatest relevance for publicity and marketing area, education, political or health campaigns, among others. The results of this these might be applicable and extended in different research fields like biological networks and animal social behavior models.

O cérebro humano é considerado uma rede complexa em termos estruturais e funcionais em diferentes escalas. A caracterização da arquitetura desta rede pode ser considerada uma importante ferramenta no auxílio ao estudo de diferentes doenças neurodegenerativas. No presente estudo propusemos um software desenvolvido em JAVA para investigar esta arquitetura com base na correlação estatística de características morfológicas entre diferentes regiões do córtex. Foram utilizados dados de espessura cortical obtidos a partir de imagens de ressonância magnética de 191 indivíduos saudáveis e 93 pacientes com epilepsia. Foi proposto um modelo não linear para considerar o efeito da idade na espessura cortical com identificação de duas etapas: amadurecimento e envelhecimento. Os pacientes, quando comparados aos controles, apresentaram uma redução significativa na espessura cortical fundamentalmente nas regiões para-central, pericalcarina e do pré-cuneo no hemisfério direito. Esta diminuição também se manifestou ao longo da idade, com uma maior taxa de queda na região parahipocampal direita. Considerando a conectividade anatômica aqui calculada, o grupo de pacientes evidenciou alterações em 31\\% das possíveis conexões e de forma difusa. Adicionalmente, nas redes cerebrais dos pacientes houve uma diminuição de 15\\% no comprimento médio do caminho e no coeficiente de agrupamento. Aplicando-se um algoritmo de agrupamento, foram detectadas três comunidades para os indivíduos saudáveis e seis comunidades para os pacientes, confirmando uma quebra de organização estrutural neste ultimo grupo. Com este software esperamos trazer à comunidade mais uma ferramenta para análise das conexões cerebrais e suas modificações em determinadas patologias, contribuindo com seu entendimento e possível diagnóstico. / The human brain can be characterized as a complex network structurally and functionally in different levels. The description of the architecture of this network can be considered an important tool in understanding different neurodegenerative diseases. In the present study, we developed a software in JAVA to investigate this architecture based on statistical correlation of morphological characteristics between different cortex areas. It was used a database of cortical thickness obtained from magnetic resonance images of 191 healthy subjects and 93 patients with epilepsy. It was implemented a non-linear model to consider the effect of age in cortical thickness with identification of 2 stages: maturation and aging. The patients, when compared to healthy subjects, showed a significant reduction in cortical thickness, particularly at the areas precentral, pericalcarine and pré-cuneus of right hemisphere. This decrease also could be noted through the age, with a higher decrease rate at the right parahipocampal area. Considering the anatomical connectivity calculated, the patients group showed diffuse changes in 31\\% of the possible connections. Furthermore, in the patients brain network it was found a decrease of 15\\% in the characteristic path length and clustering coefficient. By applying a clustering algorithm, 3 clusters were detected in the healthy subjects and 6 clusters in the patients, confirming a breakdown of the structural organization in this last group. With our software we hope to bring to the community another tool to improve the brain connectivity analysis and its modifications in some pathologies, contributing with its understanding and possible diagnosis.

This work applies complex network theory to the problem of semi-supervised and unsupervised learning in networks that are representations of multivariate datasets. Complex networks allow the use of nonlinear dynamical systems to represent behaviors according to the connectivity patterns of networks. Inspired by behavior observed in nature, such as competition for limited resources, dynamical system models can be employed to uncover the organizational structure of a network. In this dissertation, we develop a technique for classifying data represented as interaction networks. As part of the technique, we model a dynamical system inspired by the biological dynamics of resource competition. So far, similar methods have focused on vertices as the resource of competition. We introduce edges as the resource of competition. In doing so, the connectivity pattern of a network might be used not only in the dynamical system simulation but in the learning task as well. / Este trabalho aplica a teoria de redes complexas para o estudo de uma técnica aplicada ao problema de aprendizado semissupervisionado e não-supervisionado em redes, especificamente, aquelas que representam conjuntos de dados multivariados. Redes complexas permitem o emprego de sistemas dinâmicos não-lineares que podem apresentar comportamentos de acordo com os padrões de conectividade de redes. Inspirado pelos comportamentos observados na natureza, tais como a competição por recursos limitados, sistema dinâmicos podem ser utilizados para revelar a estrutura da organização de uma rede. Nesta dissertação, desenvolve-se uma técnica aplicada ao problema de classificação de dados representados por redes de interação. Como parte da técnica, um sistema dinâmico inspirado na competição por recursos foi modelado. Métodos similares concentraram-se em vértices como o recurso da concorrência. Neste trabalho, introduziu-se arestas como o recurso-alvo da competição. Ao fazê-lo, utilizar-se-á o padrão de conectividade de uma rede tanto na simulação do sistema dinâmico, quanto na tarefa de aprendizado.

Com a divulgação dos efeitos antrópicos sobre o clima nos últimos anos, nota-se um adensamento no debate acerca da incorporação da temática socioambiental na agenda corporativa. Embora as externalidades ambientais da atividade produtiva sejam conhecidas desde o início da Revolução Industrial, os processos de elaboração e implementação de estratégias empresariais de sustentabilidade ainda é algo em desenvolvimento. O presente trabalho visa analisar a dinâmica da difusão de estratégias de sustentabilidade em redes empresariais através de modelos de sistemas sociais complexos. Para tanto, são analisados alguns modelos consolidados na literatura, como o modelo de Ising (1925), Barabási-Albert (1999) e Ito e Kaneko (2002). Tal análise subsidia a criação de um modelo específico, cujos resultados de sua simulação são utilizados para gerar hipóteses que alicerceiam a elaboração de cenários prospectivos, pautando-se no referencial de Berger (1959) e Godet (2008). Por fim, tais cenários apresentam possíveis realidades futuras quanto à emergência de um setor produtivo mais sustentável, auxiliando no planejamento de empresas e governos. / With the disclosure of anthropogenic impacts on climate in recent years, there has been a growing debate about the incorporation of environmental issues on the corporate agenda. Although the environmental externalities of productive activity are known since the beginning of the Industrial Revolution, the processes of development and implementation of corporate sustainability strategies are still under development. The present work analyzes the dynamics of the diffusion of sustainability strategies on enterprise networks through models of complex social systems. Hence, we analyze three well known models: Ising (1925), Barabási-Albert (1999) and Ito and Kaneko (2002). This analysis underpins the creation of a specific model, which results are used to generate hypotheses that support the development of prospective scenarios, based on Berger (1959) and Godet (2008). Finally, these scenarios present possible future realities for the emergence of a sustainable productive sector, assisting in the planning of businesses and governments.