Redes complexas é um campo de pesquisa científica recente e bastante ativo que estuda redes de larga escala com estruturas topológicas não triviais, tais como redes de computadores, redes de telecomunicações, redes de transporte, redes sociais e redes biológicas. Muitas destas redes são naturalmente divididas em comunidades ou módulos e, portanto, descobrir a estrutura dessas comunidades é um dos principais problemas abordados no estudo de redes complexas. Tal problema está relacionado com o campo de aprendizado de máquina, que tem como interesse projetar e desenvolver algoritmos e técnicas que permitem aos computadores aprender, ou melhorar seu desempenho através da experiência. Alguns dos problemas identificados nas técnicas tradicionais de aprendizado incluem: dificuldades em identificar formas irregulares no espaço de atributos; descobrir estruturas sobrepostas de grupos ou classes, que ocorre quando elementos pertencem a mais de um grupo ou classe; e a alta complexidade computacional de alguns modelos, que impedem sua aplicação em bases de dados maiores. Neste trabalho tratamos tais problemas através do desenvolvimento de novos modelos de aprendizado de máquina utilizando redes complexas e dinâmica espaço-temporal, com capacidade para tratar grupos e classes sobrepostas, além de fornecer graus de pertinência para cada elemento da rede com relação a cada cluster ou classe. Os modelos desenvolvidos tem desempenho similar ao de algoritmos do estado da arte, ao mesmo tempo em que apresentam ordem de complexidade computacional menor do que a maioria deles / Complex networks is a recent and active scientific research field, which concerns large scale networks with non-trivial topological structure, such as computer networks, telecommunication networks, transport networks, social networks and biological networks. Many of these networks are naturally divided into communities or modules and, therefore, uncovering their structure is one of the main problems related to complex networks study. This problem is related with the machine learning field, which is concerned with the design and development of algorithms and techniques which allow computers to learn, or increase their performance based on experience. Some of the problems identified in traditional learning techniques include: difficulties in identifying irregular forms in the attributes space; uncovering overlap structures of groups or classes, which occurs when elements belong to more than one group or class; and the high computational complexity of some models, which prevents their application in larger data bases. In this work, we deal with these problems through the development of new machine learning models using complex networks and space-temporal dynamics. The developed models have performance similar to those from some state-of-the-art algorithms, at the same time that they present lower computational complexity order than most of them

The Self-Organization Map (SOM) is an artificial neural network that was proposed as a tool for exploratory analysis in large dimensionality data sets, being used efficiently for data mining. One of the main topics of research in this area is related to data clustering applications. Several algorithms have been developed to perform clustering in data sets. However, the accuracy of these algorithms is data depending. This thesis is mainly dedicated to the investigation of the SOM from two different approaches: (i) data mining and (ii) complex networks. From the data mining point of view, we analyzed how the performance of the algorithm is related to the distribution of data properties. It was verified the accuracy of the algorithm based on the configuration of the parameters. Likewise, this thesis shows a comparative analysis between the SOM network and other clustering methods. The results revealed that in random configuration of parameters the SOM algorithm tends to improve its acuracy when the number of classes is small. It was also observed that when considering the default configurations of the adopted methods, the spectral approach usually outperformed the other clustering algorithms. Regarding the complex networks approach, we observed that the network structure has a fundamental influence of the algorithm accuracy. We evaluated the cases at short and middle learning time scales and three different datasets. Furthermore, we show how different topologies also affect the self-organization of the topographic map of SOM network. The self-organization of the network was studied through the partitioning of the map in groups or communities. It was used four topological measures to quantify the structure of the groups such as: modularity, number of elements per group, number of groups per map, size of the largest group in three network models. In small-world (SW) networks, the groups become denser as time increases. An opposite behavior is found in the assortative networks. Finally, we verified that if some perturbation is included in the system, like a rewiring in a SW network and the deactivation model, the system cannot be organized again. Our results enable a better understanding of SOM in terms of parameters and network structure. / Um Mapa Auto-organizativo (da sigla SOM, Self-organized map, em inglês) é uma rede neural artificial que foi proposta como uma ferramenta para análise exploratória em conjuntos de dados de grande dimensionalidade, sendo utilizada de forma eficiente na mineração de dados. Um dos principais tópicos de pesquisa nesta área está relacionado com as aplicações de agrupamento de dados. Vários algoritmos foram desenvolvidos para realizar agrupamento de dados, tendo cada um destes algoritmos uma acurácia específica para determinados tipos de dados. Esta tese tem por objetivo principal analisar a rede SOM a partir de duas abordagens diferentes: mineração de dados e redes complexas. Pela abordagem de mineração de dados, analisou-se como o desempenho do algoritmo está relacionado à distribuição ou características dos dados. Verificou-se a acurácia do algoritmo com base na configuração dos parâmetros. Da mesma forma, esta tese mostra uma análise comparativa entre a rede SOM e outros métodos de agrupamento. Os resultados revelaram que o uso de valores aleatórios nos parâmetros de configuração do algoritmo SOM tende a melhorar sua acurácia quando o número de classes é baixo. Observou-se também que, ao considerar as configurações padrão dos métodos adotados, a abordagem espectral usualmente superou os demais algoritmos de agrupamento. Pela abordagem de redes complexas, esta tese mostra que, se considerarmos outro tipo de topologia de rede, além do modelo regular geralmente utilizado, haverá um impacto na acurácia da rede. Esta tese mostra que o impacto na acurácia é geralmente observado em escalas de tempo de aprendizado curto e médio. Esse comportamento foi observado usando três conjuntos de dados diferentes. Além disso, esta tese mostra como diferentes topologias também afetam a auto-organização do mapa topográfico da rede SOM. A auto-organização da rede foi estudada por meio do particionamento do mapa em grupos ou comunidades. Foram utilizadas quatro medidas topológicas para quantificar a estrutura dos grupos em três modelos distintos de rede: modularidade, número de elementos por grupo, número de grupos por mapa, tamanho do maior grupo. Em redes de pequeno mundo, os grupos se tornam mais densos à medida que o tempo aumenta. Um comportamento oposto a isso é encontrado nas redes assortativas. Apesar da modularidade, tem um alto valor em ambos os casos.

O estudo de redes complexas vem se expandindo e se difundindo cada vez mais em áreas multidisciplinares, com contribuições em Biologia, Sociologia, Física e Computação, entre inúmeras outras. Nesta modelagem de redes que utiliza grafos, ligações executam o importante papel de representar as interações entre os elementos da rede. Particularmente, ligações fracas se destacam por realizar a conexão entre diferentes grupos da rede. Entretanto, nem sempre é desejável ou ao menos possível manter um grande número de ligações em redes complexas, devido ao custo de manutenção de ligações em redes tecnológicas reais, por exemplo. Embora não-intuitiva, a remoção de ligações pode gerar melhorias em algumas propriedades. Neste trabalho, propomos uma otimização de propriedades small-world em redes geométricas, isto é, a obtenção de um alto coeficiente de agrupamento e a manutenção de um baixo caminho mínimo médio. Tal otimização pode ocorrer a partir da remoção de ligações selecionadas e da emergência de ligações fracas nas redes. Para isso, utilizamos o método Reckful Roaming de controle local de topologias, que foca na criação de regiões altamente clusterizadas, através da remoção de ligações que não contribuam para o aumento do agrupamento local. Desenvolvemos um novo método de controle local de topologias, cuja probabilidade de remoção de ligação é baseada nas similaridades máxima e média entre cada ligação analisada. Algumas variantes híbridas, utilizando heurísticas Reckful Roaming e do método baseado em similaridades, também são desenvolvidas, a fim de obtermos uma combinação de propriedades e vantagens de ambos os métodos. Por fim, propomos a aplicação de um método para detecção de ligações fracas baseado no modelo de comunidades de ligações. O algoritmo de clusterização de comunidades de ligações realizou com sucesso a detecção de ligações fracas nas amostras testadas. As redes otimizadas através do método Reckful Roaming apresentaram diminuição do percentual de ligações fracas. Contudo, a aplicação dos métodos baseados em similaridades entre ligações resultou em redes com até 1/3 de ligações fracas, após a remoção de metade das ligações da rede. Os métodos propostos e estudados aqui podem ser aplicados a redes complexas de grande escala e testados em redes reais, para extensão dos resultados.

Attacks and failures tolerance of complex networks is related to the concept of vulnerability in different contexts, from biology and sociology to computer science and physics. Studies have revealed that the topologies of these networks are inherently vulnerable to failures of central elements. Complex adaptive systems, emergent in nature, are considered more resilient because, despite facing periodic changes, have the ability to maintain their main topological properties. Inspired by these systems and with the purpose of providing more robust communication networks, this work proposes mechanisms for evaluating fault tolerance of complex networks topologies and procedures for promoting the necessary adjustments to maintain their main topological properties. The performance of the proposed mechanisms showed that failures of central elements can lead to a global state of vulnerability. In such a state, evaluation and adaptation processes are more likely to miscarry. The resulting model also serves as a tool for the computational modelling of problems of vulnerability in several application contexts.

As conexões entre as células de um autômato celular tradicional são realizadas conforme um reticulado. Esse padrão de conexão faz com que o comprimento médio do menor caminho entre as células seja grande, exigindo que o autômato celular efetue várias evoluções para que o comportamento dinâmico de uma regra alcance todo o reticulado. O presente trabalho propõe a modificação na estrutura de conexão dos autômatos celulares empregando conceitos de redes complexas. É apresentado um processo de construção capaz de produzir redes que evoluem tanto para frente quanto para trás. O processo de construção de redes emprega uma variante de grafos dirigidos rotulados, permitindo que as redes geradas evoluam a partir do mesmo conjunto de regras utilizado pelo autômato celular tradicional. Experimentos empregando o cálculo de entropia, além de testes sobre aleatoriedade, foram realizados com o objetivo de investigar o comportamento dinâmico obtido por quatro redes distintas, geradas a partir do processo de construção de redes aqui proposto. Os experimentos indicam que, dependendo da estrutura de conexão, é possível reduzir de forma significativa a quantidade de evoluções necessárias para que uma perturbação inicial se propague por todas as células do reticulado. Uma aplicação direta dos resultados encontrados nesse trabalho consiste na elaboração de métodos criptográficos significativamente mais rápidos do que aqueles que empregam os autômatos celulares tradicionais.

O citoesqueleto é a estrutura celular mais importante em células eucariotas e é responsável por manter a forma da célula e as junções celulares, auxiliando nos movimentos celulares. Esta é composta de filamentos de Actina, Microtúbulos e filamentos intermediários. Recentemente, a análise de duas dessas estruturas tornaram-se importantes, pois é possível obter micrografias usando microscópios de alta resolução, que contém microscopia de fluorescência, em combinação com métodos complexos de aplicação de substâncias de contraste para rotulagem e posterior análises visuais. A combinação dessas técnicas, entretanto, limita-se a ser descritiva e subjetiva. Neste trabalho, são avaliadas cinco técnicas de análise de imagens, as quais são: Bag of Visual Words (BoVW), Local Binary Local (LBP), Textons baseados em Discrete Fourier Transform (TDFT), Textons baseados em Gabor Filter Banks (TGFB) e Textons baseados em Complex Networks (TCN) sobre o conjunto de dados 2D Hela e FDIG Olympus. Experimentos extensivos foram conduzidos em ambos os conjuntos de dados, e seus resultados podem servir de base para futuras pesquisas como análises do citoesqueleto em imagens de microscopia fluorescente. Neste trabalho, é apresentada uma comparação quantitativa e qualitativa dos métodos acima mencionados para entender o comportamento desses métodos e propriedades dos microfilamentos de actina (MA) e Microtúbulos (MT) em ambos os conjuntos de dados. Os resultados obtidos evidenciam que é possível classificar o conjunto de dados da FDIG Olympus com uma precisão de até 90:07% e 98:94% para 2D Hela, além de obter 86:05% e 96:84%, respectivamente, de precisão, usando teoria de redes complexas. / The cytoskeleton is the most important cellular structure in eukaryotic cells and is responsible for maintaining the shape of the cell and cellular junctions, aiding in cell movements. This is composed of filaments of Actin, Microtubules and intermediate filaments. Recently, the analysis of two of these structures has become important because it is possible to obtain micrographs using microscopes of high resolution and fluorescence technology, in combination with complex methods of application of substances of contrast for labeling and later visual analysis. The use of these techniques, however, is limited to being descriptive and subjective. In this work, we evaluate some of the most popular image analysis techniques such as Bag of Visual Words (BoVW), Local Binary Pattern (LBP), Textons based on Discrete Fourier Transform(TDFT) , Gabor Filter banks (TGFB), and approaches based on Complex Networks theory (TCN) over the famous dataset 2D Hela and FDIG Olympus. Extensive experiments were conducted on both datasets in which their results can serve as a baseline for future research with cytoskeleton classification in microscopy fluorescence images. In this work, we present the quantitative and qualitative comparison of above mentioned methods for better understand the behavior of these methods and the properties of Actin microfilaments (MA) and Microtubules (MT) on both datasets. The results showed that it is possible to classify the FDIG Olympus data set with accuracy of up to 90:07% and 98:94% for 2D Hela, in addition to reaching 86:05% and 96:84% respectively, using complex network theory.

O presente trabalho admite como pressuposto que a identidade de um campo de conhecimento pode ser percebida, também, pela análise de sua produção científica. Como objetivo geral, propôs-se mapear e construir a rede de produção científica do Campo de Políticas Públicas no período abrangido pelos anos compreendidos entre 2000 e 2011, sob a ótima de Sistemas Complexos. Definiu-se que essas redes teriam como unidades de composição os autores responsáveis pela produção identificada no período; assim, efetivou-se um levantamento por esses artigos em oito diferentes veículos de produção científica que recebem trabalhos do campo, sendo quatro encontros e quatro periódicos, selecionados, inclusive, com base na classificação Qualis da CAPES. Os encontros selecionados foram o EnAPG Encontro de Administração Pública e Governança, EnANPAD Encontro da Associação Nacional de Pós-Graduação e Pesquisa Em Administração, Encontro da ANPOCS Associação Nacional de Pós-Graduação e Pesquisa em Ciências Sociais de e Encontro da ABCP Associação Brasileira de Ciência Política, ao passo que os periódicos foram a Revista de Políticas Públicas, a Revista de Administração Pública, a Revista Brasileira de Ciências Sociais e a Lua Nova: Revista de Cultura e Política. À exceção do EnAPG, da RAP e da RPP- em que todos os artigos publicados no período foram selecionados foram adotados critérios de seleção para os artigos baseados na análise do título, resumo e palavras-chave. Para o tratamento dos dados, dois softwares foram utilizados: Microsoft Excel® e NodeXL Excel Template®; o primeiro foi usado na tabulação dos dados e elaboração do banco de dados que fundamentou a confecção das redes, viabilizada pelo segundo. Como resultados, encontrou-se que i) no período analisado o crescimento do Campo de Políticas Públicas foi evidente tanto o número de autores quanto o de artigos; ii) o campo tem se mostrado um espaço aberto a produções colaborativas, visto que os cálculos revelaram, em média, dois autores por artigo; iii) o campo ainda carece de identidade, considerando que grande parte dos autores não permanece nele, ou seja, não apresentam continuidade e periodicidade em suas pesquisas e iv) mesmo entre os autores destacados nas medidas de centralidade ou como os mais prolíficos, depreendeu-se que não têm sua formação acadêmica concentrada na área, à exceção de poucos. Ressalta-se, ainda, que os padrões encontrados acerca da dinâmica de relacionamentos podem diferir de acordo com a grande área a que estão relacionados. / This study takes the assumption that the identity of a field of knowledge can be perceived also by the analysis of their scientific production. As general goal, it was proposed to map and build the scientific production network Public Policy Field in the period covered by the years 2000 to 2011, in the optimal of Complex Systems. It was defined that these networks would have as composition units for scientific production the identified authors in the period, so a survey was accomplished by these articles in eight different vehicles that receive scientific field work, four meetings and four journals, selected, even based on the classification of Qualis CAPES. The meetings selected were EnAPG - Meeting of Public Administration and Governance, EnANPAD Meeting of National Association of Graduate Studies and Research in Administration, ANPOCS Meeting National Association of Graduate Studies and Research in Social Sciences and ABCP Meeting Brazilian Association of Political Science, while journals were Journal of Public Policy, Journal of Public Administration, Brazilian Journal of Social Sciences and New Moon: Review of Culture and Politics. Except for EnAPG, RAP and RPP that all articles published in the period were selected it was adopted a criteria selection for articles based on analysis of the title, abstract and keywords. To process the data, it were used two softwares: Microsoft Excel ® and NodeXL Excel Template®, the first was used in data tabulating and preparing the database that justified the making of networks, enabled by the second. As results, it was found that i) the growth of the Field of Public Policy was evident in the period analyzed both as the number of authors and articles, ii) the field has been an open space for collaborative productions, since the calculations revealed an average of two authors per article iii) the field still lacks identity, considering that most authors do not stay in it, or do not have continuity and regularity in their research and iv) even among the authors highlighted the measures or centrality and as the most prolific, surmised that have focused on their academic area, with the exception of a few. It should also be emphasized that the patterns found on the dynamics of relationships may differ according to the large area that they are related.

Diferentes tipos de neurônios possuem formas distintas, um fator importante para a regulação da forma é a expressão gênica. Além disso, esta característica também está relacionada com a conectividade entre as células nervosas, formando redes. Por meio delas ocorrem as dinâmicas, como por exemplo o aprendizado. Neste trabalho foi desenvolvido um arcabouço de modelagem e simulação neuronal, para analisar a integração das etapas desde a expressão gênica, passando pela geração dos neurônios até as dinâmicas, permitindo o estudo do sistema e relacionamento entre as partes. Na etapa de geração, foram utilizados diferentes padrões de expressão gênica. Por meio dos neurônios, foram criadas as redes, caracterizadas utilizando medidas de centralidade. Ademais, foram executadas as dinâmicas integra-e-dispara, que simula a comunicação entre os neurônios, e o desenvolvimento hebiano, que é uma dinâmica aplicada para simular o aprendizado. Para quantificar a influência da expressão gênica, foram utilizadas as medidas de correlação de Pearson e a informação mútua. Por meio destes testes, foi possível observar que a expressão gênica influencia todas as etapas, sendo que nelas, exceto na geração da forma neuronal, os padrões de expressão com que os neurônios foram organizados também são um fator importante. Além disso, na medida de centralidade betweenness centrality, foi possível observar a formação de caminhos, denominados caminhos do betweenness. Para descrever os caminhos, foram feitas comparações entre as redes neuronais e outras redes espaciais. Assim, foi possível observar que estes caminhos são uma característica comum em redes geográficas e estão relacionados com as comunidades da rede. / Different types of neurons have distinct shapes. An important factor for shape regulation is gene expression, which is also related to the connectivity between nervous cells, creating networks. Dynamics, such as learning, can take place in those networks. In this work we developed a framework for modeling and simulating neurons allowing an integrated analysis from gene expression to dynamics. It will allow the study of the system as a whole as well as the relationships between its parts. In the neuron generation step, we used different patterns of gene expression. The networks were created using those neurons, and several centrality measures were computed to characterize them. Moreover, the dynamic processes considered were the integrate-and-fire model, which simulates communication between neurons, and the hebbian development, which is applied to simulate learning. During every step, Pearsons correlation and mutual information between the level of expression was measured, quantifying the influence of gene expression. Through these experiments it was observed that the gene expression influences all steps, which is in all cases, except in the generation of neuronal shape, an important factor. In addition, by analyzing the betweenness centrality measure, it is possible to observe the formation of paths. To study these paths, comparisons between models and other spatial networks were performed. Thus, it was possible to observe that paths are a common feature in other geographical networks, being related to the connections between network communities.

Redes complexas é uma área de estudo relativamente recente, que tem chamado a atenção da comunidade científica e vem sendo aplicada com êxito em diferentes áreas de atuação tais como redes de computadores, sociologia, medicina, física, matemática entre outras. Entretanto a literatura demonstra que poucos são os trabalhos que empregam redes complexas na extração de características de imagens para posterior analise ou classificação. Dada uma imagem é possível modela-la como uma rede, extrair características topológicas e, utilizando-se dessas medidas, construir o classificador desejado. Esse trabalho objetiva, portanto, investigar mais a fundo esse tipo de aplicação, analisando novas formas de modelar uma imagem como uma rede complexa e investigar diferentes características topológicas na caracterização de imagens. Como forma de analisar o potencial das técnicas desenvolvidas, selecionamos um grande desafio na área de visão computacional: identificação vegetal por meio de análise foliar. A identificação vegetal é uma importante tarefa em vários campos de pesquisa como biodiversidade, ecologia, botânica, farmacologia entre outros. / Complex networks is a relatively recent field of study, that has called the attention of the scientific community and has been successfully applied in different areas such as computer networking, sociology, medicine, physics, mathematics and others. However the literature shows that there are few works that employ complex networks in feature extraction of images for later analysis or classification. Given an image, it can be modeled as a network, extract topological features and, using these measures, build the classifier desired. This work aims, therefore, investigate this type of application, analyzing new forms of modeling an image as a complex network and investigate some topological features to characterize images. In order to analyze the potential of the techniques developed, we selected a major challenge in the field of computer vision: plant identification by leaf analysis. The plant identification is an important task in many research fields such as biodiversity, ecology, botany, pharmacology and others.

Na natureza e na ciência, dados e informações que desviam significativamente da média frequentemente possuem grande relevância. Esses dados são usualmente denominados na literatura como outliers. A identificação de outliers é importante em muitas aplicações reais, tais como detecção de fraudes, diagnóstico de falhas, e monitoramento de condições médicas. Nos últimos anos tem-se testemunhado um grande interesse na área de Redes Complexas. Redes complexas são grafos de grande escala que possuem padrões de conexão não trivial, mostrando-se uma poderosa maneira de representação e abstração de dados. Embora um grande montante de resultados tenham sido reportados nesta área de pesquisa, pouco tem sido explorado acerca de detecção de outliers em redes complexas. Considerando-se a dinâmica de uma caminhada aleatória, foram propostos neste trabalho uma medida de distância e um método de ranqueamento de outliers. Através desta técnica, é possível detectar como outlier não somente nós periféricos, mas também nós centrais (hubs), depedendo da estrutura da rede. Também foi identificado que existem características bem definidas entre os nós outliers, relacionadas a funcionalidade dos mesmos para a rede. Além disso, foi descoberto que nós outliers têm papel importante para a rotulação a priori na tarefa de detecção de comunidades semi-supervisionada. Isto porque os nós centrais são bons difusores de informação e os nós periféricos encontram-se em regiões de borda de comunidade. Baseado nessa observação, foi proposto um método de detecção de comunidades semi-supervisionado. Os resultados de simulações mostram que essa abordagem é promissora / In nature and science, information and data that deviate significantly from the average value often have great relevance. These data are often called in literature as outliers. Outlier identification is important in many real applications, such as fraud detection, fault diagnosis, monitoring of medical conditions. In recent years, it has been witnessed a great interest in the area of Complex Networks. Complex networks are large-scale graphs with non-trivial connection patterns, proving to be a powerful way of data representation and abstraction. Although a large amount of results have been reported in this research area, little has been explored about the outlier detection in complex networks. Considering the dynamics of a random walk, we proposed in this paper a distance measure and a outlier ranking method. By using this technique, we can detect not only peripheral nodes, but also central nodes (hubs) as outliers, depending on the network structure. We also identified that there are well defined relationship between the outlier nodes and the functionality of the same nodes for the network. Furthermore, we found that outliers play an important role to label a priori nodes in the task of semi-supervised community detection. This is because the hubs are good information disseminators and peripheral nodes are usually localized in the regions of community edges. Based on this observation, we proposed a method of semi-supervised community detection. The simulation results show that this approach is promising