O uso de técnicas de mineração de dados tem produzido resultados importantes em diversas áreas, tais como bioinformática, atividades de transações bancárias, auditorias de computadores relacionados à segurança, tráfego de redes, análise de textos, imagens e avaliação da qualidade em processos de fabricação. Em medicina, métodos de mineração de dados têm se revelado muito eficazes na realização de diagnósticos automáticos, ajudando na tomada de decisões por equipes médicas. Além do uso de mineração de dados, dados médicos podem ser representados por redes complexas, de modo a incluir conexões entre seus elementos. Por exemplo, no caso do cérebro, regiões corticais podem representar vértices em um grafo e as conexões podem ser definidas através das atividades corticais. Com isso, pode-se comparar a estrutura do cérebro de sujeitos sadios com a de pacientes que apresentam doenças mentais de modo a definir métodos para diagnóstico e obter conhecimento sobre como a estrutura do cérebro está relacionada com alterações comportamentais e neurológicas. Nesse trabalho, estamos interessados em usar métodos de mineração de dados e redes complexas para classificar pacientes portadores de quatro diferentes tipos de doenças mentais, isto é, esquizofrenia, autismo, déficit de atenção/desordem de hiperatividade e paralisia progressiva nuclear. / A data mining and knowledge discovery is in a field of research, with applications in different areas such as bioinformatics, customer transaction activity, security related computer audits, network traffic, text analysis and quality evaluation in manufacturing. In medicine, data mining methods have proven very effective in performing automatic diagnostics, helping in making decisions by medical teams. In addition to the use of data mining, medical data can be represented by complex networks in order to include connections between its elements. For example, in the case of the brain, cortical regions can represent vertices in a graph and the connections can be defined through cortical activities. Thus, we can compare the brain structure of healthy patients with those of patients with mental disorder in order to define methods for diagnosis and to obtain knowledge about how the structure of the brain is related to behavioral and neurological changes. Here, we are interested in using data mining methods and complex networks to classify patients with four different types of mental desorders, that is, schizophrenia, autism, attention deficit / hyperactivity disorder, and progressive supranuclear paralysis.

A utilização de redes complexas para a descriçãoi de diversos sistemas naturais e artificias,compreendidos nas mais diversas áreas do conhecimento humano, tem se mostrado uma abordagem poderosa para a redução da complexidade inerente a tais sistemas. Em muitos casos, tal complexidade resulta do número de componentes envolvidos e de suas intrincadas relações. Uma forma de reduzir a complexidade associada a tais sistemas, consiste em identificar e agrupar componentes que possuam características similares. Sendo assim, desenvolvemos nesta tese métodos de identificação de comunidades em redes complexas. Tais métodos se baseiam na ideia de que comunidades surgem quando grupos de vértices possuem um número mais elevado de conexões entre os vértices do mesmo grupo do que com vértices externos à este grupo. Além disso, utilizamos a função modularidade como função objetivo e como forma de avaliação e comparação dos resultados obtidos nesta tese com resultados previamente reportados na literatura. Uma vez estabelecido um método de identificação de comunidades, utilizamos a abordagem de redes complexas para a determinação de domínios estruturais de proteínas. Para tal, criamos redes de contato entre os aminoácidos de uma proteí?na buscando representar apenas as ligações relevantes do ponto de vista topológico. Por meio destas representações, aplicamos os métodos de identificação de comunidades desenvolvidos nesta tese, no intuito de identificar domínios estruturais de cadeias proteicas. Por fim, desenvolvemos um método específico para a identificação de domínios em proteínas com dois domínios sequencias, concluindo desta forma, os objetivos propostos nesta tese. / The use of complex networks for the representation of various natural and artificial sys- tems in the most diverse fields of human knowledge, has proven to be a powerful approach for the reduction of the complexity in the study of such systems. In many cases, this complexity emerges from the number of components of the system and from the intricate relationship between them. A reduction in this complexity is made possible by the iden- tification and grouping of the components of the system with similar characteristics. In this way, we developed in this thesis, methods for community identification in complex networks. Such methods are based on the notion that communities arise when groups of vertices are more densely connected with vertices of their same group, than with ver- tices belonging to other groups in the network. Moreover, the modularity function has been used as an objective function, and as a score for the evaluation and comparison of the results obtained in this thesis with the results reported in the literature of complex networks. Upon the establishment of a method for community detection, we used the framework of complex networks to the determination of structural protein domains. The- refore, we have created contact networks of amino acids of protein chains, focusing on the representation of only the most relevant interactions between them, from a topological point of view. We have applied to these networks the methods for community identi- fication developed in this thesis, aiming to identify the structural domains of proteins. Finally, we have developed a specific method for the identification of protein domains in protein chains with two sequential domains, concluding in this way, the objectives proposed in this thesis.

A teoria das redes complexas tem se consolidado por seu forte caráter interdisciplinar, relativa simplicidade conceitual e ampla aplicabilidade na modelagem de sistemas reais. Embora tendo evoluído rapidamente, uma série de problemas ainda não foram estudados usando as redes complexas. Em especial, sistemas envolvendo acoplamento e interação entre diferentes redes complexas têm sido pouco investigados. Na presente monografia, apresentamos duas contribuições fundamentais no estudo desses sistemas. A primeira consiste num modelo que descreve a interação entre um padrão de massa evoluindo numa rede regular com uma rede complexa que se organiza para impedir a evolução desse padrão. Os vértices da rede complexa se ativam e se movem sobre a rede regular conforme são requisitados por seus vizinhos, que se ativam pela rede regular. Essa última ativação ocorre quando a concentração de massa ultrapassa um limiar na respectiva posição do vértice e consiste em liberar uma difusão oposta de massa neutralizadora contra a massa original. A dinâmica mostrou-se completamente relacionada à estrutura da rede de controle. A presença de concentradores no modelo de Barabási-Albert tem papel fundamental para acelerar o processo de geração de massa neutralizadora. Por outro lado, a distribuição uniforme de vizinhos da rede de Erdös-Rényi resultou numa melhora de desempenho na presença de várias regiões distintas contendo massa original. A segunda contribuição consiste num modelo de interação entre duas espécies (predador e presa) através de campos sensitivos, que dependem da distância Euclidiana entre dois indivíduos e do seu respectivo tipo. Padrões espaço-temporais emergem nesse sistema e estão diretamente relacionados à intensidade de atração entre os indivíduos da mesma espécie. Para entender a evolução do sistema e quantificar a transferência de informação entre os diferentes aglomerados, duas redes complexas são construídas onde os vértices representam os indivíduos. Na primeira rede, o peso das conexões é dado pela distância Euclidiana entre os indivíduos e na segunda, pelo tempo que eles permaneceram suficientemente próximos. A partir de um mecanismo de fusão entre as duas redes, obtemos uma terceira rede complexa onde os vértices correspondem a grupos espaciais definidos a partir de um processo de limiarização dos pesos da primeira rede. Algumas configurações de parâmetros privilegiam a sobrevivência de presas enquanto outras beneficiam a caça dos predadores. / Complex network theory has become very popular because of its interdisciplinarity, conceptual simplicity and wide applicability to model real systems. Although fast growing, there is a number of problems which have not been addressed by using complex networks. For example, few efforts have been directed to systems involving coupling and interaction between different complex networks. In the following monography, we present two fundamental contributions in the study of such systems. The first consists in a model which describes the interaction dynamics between a mass pattern evolving in a regular network with a complex network, which are expected to control the pattern evolution. As soon as a complex network node is activated by the regular network, it requests help from its topological neighbours and activates them. The activation is triggered when the mass concentration overcomes a threshold in the node position and consists in liberating an opposite diffusion intended to eliminate the original pattern. The dynamics is completely related to the structure of the control network. The existence of hubs in the Barabási-Albert model plays a fundamental role to accelerate the opposite mass generation. Conversely, the uniform distribution of neighbours in the Erdös-Rényi network provided an increase in the efficiency when several focuses of the original pattern were distributed in the regular network. The second contribution consists in a model based on interactions between two species (predator and prey) provided by sensitive fields which depends of the Euclidean distance between two agents and on their respective types. Spatio-temporal patterns emerge in the system which are directly related to the attraction intensity between same species agents. To understand the dynamics evolution and quantify the information transfer through different clusters, we built two complex networks where the nodes represent the agents. In the first network, the edge weight is given by the Euclidean distance between two agents and, in the second network, by the amount of time two agents become close one another. By following a merging process, another network is obtained whose nodes correspond to spatial groups defined by a weight thresholding process in the first network. Some configurations favor the preys survival, while predators efficiency are improved by other ones.

Made available in DSpace on 2017-07-21T19:25:52Z (GMT). No. of bitstreams: 1 Roberto Antonio Vosgerau.pdf: 3034632 bytes, checksum: d2446020ebe5e27005459c7155a633b7 (MD5) Previous issue date: 2016-04-25 / In this thesis, we apply network entropy to analyze characteristics of complex networks. It is analyzed the effect of vertices removal on the structure and robustness of directed and undirected networks, as a result of failures and attacks. The variation in the structure and robustness of networks due to this removal is quantified by structural entropies with zero and one order approximation. These entropies are calculated to real networks to verify the robustness, where we have been using biological network as directed and literary network as undirected. The failures are simulated through vertices that are randomly removal, while the attacks are realized on the hubs and according to betweenness centrality. We observe that the network with failures exhibits entropies with values smaller than the original network. When the attack is on the hubs or according to the betweenness centrality we verify that the entropies decrease. However, if the attack is not on the hubs, it is possible to verify values of entropies larger than the original network. Moreover, the measure of the shortest path length showed a correlation with the structural entropy. / Nesta tese, aplicou-se a entropia de rede para analisar as características de redes complexas. Analisou-se o efeito da remoção de vértices sobre a estrutura e robustez das redes direcionadas e não direcionadas, como resultado de falhas e ataques. A variação na estrutura e robustez das redes devido a esta remoção é quantificada por entropias estruturais com aproximação de ordem zero e um. Estas entropias são calculados para redes reais para verificar a robustez, onde utilizou-se a rede biológica como direcionada e rede literária como não direcionada. As falhas são simuladas através de vértices que são removidos aleatoriamente, enquanto os ataques são realizados intencionalmente nos vértices de maiores graus e de acordo com a centralidade de intermediação. Observa-se que a rede com falhas exibe entropias com valores menores do que a rede original. Quando o ataque é nos vértices de maiores graus ou de acordo com as centralidades de intermediação verifica-se que as entropias diminuem. No entanto, se o ataque não está em vértices de maiores graus ou maiores centralidade de intermediação, é possível verificar valores de entropias maiores do que a rede original. Além disso, a medida do comprimento do menor percurso mostrou uma correlação com a entropia estrutural.

Made available in DSpace on 2017-07-21T19:26:05Z (GMT). No. of bitstreams: 1 Marily Aparecida Benicio.pdf: 2662358 bytes, checksum: ba11ae50b21bd9be5feba0d2bf5fd563 (MD5) Previous issue date: 2013-04-09 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Studies of complex networks help us to understand and model many real world situations. The world abounds in networks that can be found in many real contexts. The term network refers to relations between two sets and can be represented by means of graph theory. The classification of complex networks is given according to the models created to represent them, such as Random networks, networks of Small World, No Scaling networks and hierarchical networks. From the perspective of complex networks, a study which make significant contributions analysis is the phenomenon of diffusion of information in networks, which can be understood through the random walk process, which is characterized by a stochastic used as a mechanism transportation and research in complex networks. A random walk in complex networks can be used to check the behavior of each network model front dissipation. Each network model presents a different behavior with respect to the number of random walkers that pass through the network node over time. The number of walkers will depend on the structure of the networks generated by each model and measures of centrality of each node. Measures of centrality of the vertices of the network are useful for comparing the efficienc of the nodes with respect to receiving and sending information being indicative of the rapidity with which this transport happens. The objective of this work is to study the process of random walk and use it to analyze the efficiency of Centrality measures, inferring the number of random walkers who pass by us in complex networks. Measures of centrality are analyzed centralities Degree, Centrality Intermediation by Minor Roads, Centralization of Random Walk. To compare the efficiency of these measures of centrality in the different network models, numerical simulations were performed. With these, it was noticed that the behavior of the diffusion of walkers varies for each network model. Random network for the flow of walkers from the evenly is not possible to highlight some vertex of utmost importance within the network. It can be observed that the measure of centrality of Random Walk is the one that showed greater efficiency by pointing a greater flow of walkers to the vertices that had a higher value for this measure. / Os estudos sobre redes complexas nos auxiliam a compreender e modelar muitas situações do mundo real. O mundo é abundante em redes que podem ser encontradas em diversos contextos reais. O termo redes faz referência às relações estabelecidas entre dois conjuntos e podem ser representadas por meio da teoria de grafos. A classificação das redes complexas se dá de acordo com os modelos criados para representá-las, tais como as redes Aleatórias, redes de Pequeno Mundo, redes Sem Escala e redes Hierárquicas. Dentro da perspectiva de redes complexas, um estudo que pode trazer contribuições importantes é análise do fenômeno de difusão de informação em redes, os quais podem ser entendidos através do processo da caminhada aleatória, a qual se caracteriza por ser um processo estocástico utilizado como um mecanismo de transporte e pesquisa em redes complexas. A caminhada aleatória nas redes complexas pode ser utilizada para verificar o comportamento de cada modelo de rede frente à dissipação. Cada modelo de rede apresenta um comportamento diferente com relação ao número de caminhantes aleatórios que passam por nó da rede ao longo do tempo. Este número de caminhantes irá depender da estrutura das redes geradas por cada modelo e das medidas de Centralidade de cada nó. As medidas de centralidade dos vértices da rede são úteis para comparar a eficiência dos nós com relação ao recebimento e envio de informações sendo indicativos da rapidez com a qual, este transporte acontece. O objetivo deste trabalho é estudar o processo da caminhada aleatória e utilizá-la para analisar a eficiência das medidas de Centralidade, inferindo o número de caminhantes aleatórios que passam pelos nós nas redes complexas. As medidas de centralidade analisadas são as centralidades do Grau, Centralidade de Intermediação por Menores Caminhos, Centralidade da Caminhada Aleatória. Para comparar a eficiência das referidas medidas de Centralidade nos diferentes modelos de redes, foram realizadas simulações numéricas. Com estas, percebeu-se que o comportamento da difusão de caminhantes varia para cada modelo de rede. Para a rede Aleatória o fluxo de caminhantes se da de maneira uniforme não sendo possível destacar algum vértice de maior importância dentro da rede. Pode-se observar que a medida de Centralidade da Caminhada Aleatória é a que mostrou maior eficiência ao apontar o um maior fluxo de caminhantes aos vértices que possuíam um maior valor para essa medida.

Made available in DSpace on 2015-07-15T13:31:42Z (GMT). No. of bitstreams: 1 dissertacaoCharles.pdf: 2350650 bytes, checksum: 3a5a6710de4fe0f9f72e936ffc6d9a22 (MD5) Previous issue date: 2007-11-22 / Brazil Northeast s climate is usually described as semi-arid, characterized by hard dry seasons intermingled by hard rainfall seasons. Some areas of Northeast present annual pluviometric measure about 400 mm in mean, while in others the annual pluviometric measure is about 2000 mm. Rain events result from interplay of several physical phenomena, most of which can be individually described on the basic laws of mechanics and thermodynamics in a rather adequate way. Because of this, a huge progress has been achieved in recent years in relation to weather forecast with the use of very precise algorithms in large scale computing resources. They take into account the variables that are relevant for the atmospheric and ocean circulation and input of large amount of physical data obtained from a dense set of stations scattered around the world. In order to improve the interpretation of the accurate data resulting from the description of atmospheric phenomena and rain events, it is necessary to proceed with sophisticated analyses of recorded and simulated data, as spatial and temporal statistical correlations, scale properties, topological properties of spatial event distribution, ad so on. They indicate the extent of statistical relevance of the data, local and global effects, typical patterns, and other topological features related to the phenomena.In this work, we explore the usefulness of complex network framework for the analysis and nderstanding of rain events, based solely on recorded data from a set of stations in Northeast Brazil. The method is inspired on a proposal to characterize actual sequences of earthquake events where, like precipitation phenomena, the available data stems from complex systems with a very large number of physical variables. The potential network nodes are the meteorological stations where the rain events have been recorded, while the network edges are placed according to rules that take into account temporal and spatial correlation criteria between events occurring at different stations, for a time span as large as one month. We evaluate usual network properties based on diameter, node degrees, clustering coefficient, minimal inter-node distance along network edges. This allows for a characterization of networks based on seasonality and on spatial span of the region where the stations are distributed. The obtained results are discussed, taking into account the known precipitation patterns of the investigated region. rainfall variability, complex networks, fractals. / Climaticamente, a regi ao Nordeste do Brasil ?e marcada pela predomin?ncia de clima semi-?arido, caracterizado por per?ıodos de secas severas intercalados por per?odos de chuvas intensas. Eventos clim?aticos como a chuva resultam da intera??o de v?rios fen?menos f?sicos que, em sua maioria, pode ser descrita individualmente pelas leis b?sicas da mec?nica e termodin?mica de forma satisfat?ria. Por esse motivo, um imenso progresso tem sido observado, nos ?ltimos anos, com rela??o ? previs?o de tempo e clima utilizando algoritmos mais precisos em recursos computacionais de larga escala. Estes algoritmos levam em considera??o as vari?veis que s?o relevantes para a circula??o atmosf?rica e oce?nica al?m de uma grande quantidade de dados f?sicos obtidos de um conjunto denso de esta??es distribu?das ao redor do mundo. Com objetivo de prover a interpreta??o dos dados destes algoritmos, ? necess?rio proceder com an?lises sofisticadas dos dados armazenados e simulados, como correla?c oes estat?ısticas temporais e espaciais, propriedades de escalas, propriedades topologicas da distribui??o espacial de eventos, etc. Os resultados falam sobre a relev?ncia estat?stica dos dados, efeitos locais e globais, padr?es t?picos e outros recursos relacionados ao fen?meno. Neste trabalho, n?s exploramos o uso da Teoria de Redes Complexas para a an?lise e interpreta??o de eventos de chuva, baseandonos somente em registros de dados de um conjunto de esta??es pluviom?tricas da regi?o Nordeste do Brasil. Este m?etodo ? inspirado em uma proposta para caracterizar sequ?ncias de eventos s?smicos, eventos em que, assim como no fen?meno das chuvas, a grande quantidade de vari?aveis f?sicas envolvidas motiva a an?lise usando m?todos da Teoria de Sistemas Complexos. Os n?s das redes geradas s?o as esta??es meteorol?gicas onde h? dados de chuva no per?odo analisado, enquanto as arestas s?o criadas de acordo com crit?rios de correla??o temporal e espacial entre eventos de chuva ocorridos em diferentes esta??es pluviom?tricas. Calculamos os ?ndices mais comuns de caracteriza??o de redes complexas, tais como: di?metro, caminho m?nimo m?dio, coeficiente de aglomera??o m?dio. As redes conectam esta??es a diferentes dist?ncias, e a fim de estudar a causalidade n?o-local desse fen?meno foram calculados ?ndices fractais de caracteriza??o. Os valores de di?metro e de caminho m?nimo m?dio s?o menores para os meses de inverno e primavera, t?picos de chuva mais localizada no litoral; enquanto que para os meses de ver?o e outono, t?picos de chuva mais distribu?ıda em toda a regi?o, os valores s?o maiores. A dimens?o fractal calculada para dados do Sul do Nordeste (Bahia) ? semelhante ? calculada para dados do Norte do Nordeste (demais estados da Regi?o), mas ambas s?o diferentes das dimens?es fractais de redes completas e regulares hipot?ticas, o que demonstra que a distribui??o das esta??es pluviom?tricas n?o ? homog?nea. Estes resultados sugerem o estudo mais aprofundado deste m?todo de an?lise de dados pluviom?tricos, que, atrav?s da modelagem em Sistemas Complexos.

Esta pesquisa propõe-se a oferecer uma análise inédita sobre o campo de administração pública, utilizando metodologias da área de sistemas complexos para interpretar questões pertinentes ao objeto de pesquisa. Dessa forma, buscou-se mapear e construir a rede de pesquisadores em Administração Pública, como forma de oferecer subsídios para constatações e reflexões específicas sobre o campo, complementando alguns estudos já realizados, bem como oferecendo novos subsídios para análises sobre seu desenvolvimento. Desta forma, fundamentado em problemas específicos do campo de administração pública, já constatados em outros estudos, utiliza-se a metodologia de redes complexas, para modelagem desta rede. Para tanto, foram coletados dados dos principais eventos (EnANPAD e EnAPG) e periódicos (RAC, RAP, RSP e O&S) do campo, no período recente (2000 2010) para composição e posterior análise de sua configuração. A análise se deu a partir da evolução da rede em termos de número de pesquisadores e artigos publicados, bem como pela constatação dos pesquisadores mais prolíficos, com a finalidade de verificar alguns aspectos peculiares ao campo. Como resultado, verificou-se o crescimento do campo no período recente, acompanhado da inclusão de novos pesquisadores, mas que não representam, necessariamente, a consolidação do campo, haja vista a pouca permanência que estes têm no campo ao longo dos anos. Ademais, verificou-se que os principais pesquisadores, que possuem fortes laços com as tradicionais instituições do campo, na maioria das vezes não têm formação acadêmica diretamente ligada a área, bem como apresentam produção científica dispersa. Tais constatações reforçam, de maneira quanti e qualitativa, as dificuldades próprias do campo de administração pública / This research proposes to offer a unprecedented analysis about the field of public administration, using methodologies in the area of complex systems, to interpret questions pertaining to the object of research. Thus, this study sought to map and build the network of researchers in public administration as a way to provide insights to specific findings and specific reflections about the field, complementing some previous studies, as well as offering new subsidies for analysis on their development. Thus, based on the specific problems of the public administration field, already observed in other studies, it was used the methodology of complex systems, especially complex networks for modeling this network. Therefore, data were collected from major events (EnANPAD and EnAPG) and journals (RAC, RAP, RSP and O & S) of the field in the recent period (2000 - 2010) for the composition and subsequent analysis of its configuration. The analysis was performed based on network evolution in terms of number of researchers and published articles, as well as the identification of the most prolific researchers, in order to verify some aspects peculiar to the field. As a result, it was found the growth of the field in recent years, followed by the inclusion of new researchers, which not necessarily represent the consolidation of the field, due to the low permanence that they have in it over the years. Moreover, it was found that the main researchers, who have strong ties to traditional institutions of the field, most of the time, have no academic graduation directly linked to the area and present scientific production dispersed. Such findings reinforce, so quantitative and qualitative, the difficulties inherent to the field of public administration

O estudo de redes complexas tem alavancado um tremendo interesse em anos recentes. Uma das características salientes de redes complexas é a presença de comunidades, ou grupos de nós densamente conectados. A detecção de comunidades pode não apenas ajudar a entender as estruturas topológicas de redes complexas, mas também pode fornecer novas técnicas para aplicações reais, como mineração de dados. Neste trabalho, propomos um novo modelo para detecção de comunidades em redes complexas, no qual várias partículas caminham na rede e competem umas com as outras para marcar seu próprio território e rejeitar partículas intrusas. O processo atinge o equilíbrio dinâmico quando cada comunidade tem apenas uma partícula. Nossa abordagem não apenas pode obter bons resultados na detecção de comunidades, como também apresenta diversas características interessantes: 1) O processo de competição de partículas é similar a muitos processos naturais e sociais, tais como competição de animais por recursos, exploração territorial por humanos (animais), campanhas eleitorais, etc.. Portanto, o modelo proposto neste trabalho pode ser útil para simular a dinâmica evolutiva de tais processos. 2) Neste modelo, nós introduzimos uma regra para controlar o nível de aleatoriedade do passeio da partícula. Descobrimos que uma pequena porção de aleatoriedade pode aumentar bastante a taxa de detecção de comunidades. Nossa descoberta é análoga ao notável fenômeno chamado ressonância estocástica onde o desempenho de um sistema determinístico não-linear pode ser bastante melhorado através da introdução de um certo nível de ruído. É interessante notar que tal fenômeno é observado em uma situação diferente aos sistemas clássicos de ressonância estocástica. 3) Nossa descoberta indica que a aleatoriedade tem um papel importante em sistemas evolutivos. Ela serve para automaticamente escapar de armadilhas não desejáveis e explorar novos espaços, isto é, ela é um descobridor de novidades. 4) Uma análise quantitativa para processo de competição entre duas particulas e duas comunidades foi conduzida, a qual é um passo de avanço para desenvolvimento de teoria fundamental de aprendizado competitivo / Study of complex networks has triggered tremendous interests in recent years. One of the salient features of complex networks is the presence of communities, or groups of densely connected nodes. Community detection can not only help to understand the topological structure of complex networks, but also provide new techniques for real applications, such as data mining. In this work, a new model for complex network community detection is proposed, in which several particles walk in the network and compete with each other to mark their own territory and reject particle intruders. The process reaches dynamics equilibrium when each community has only one particle. This approach not only can get good community detection results, but also presents several interesting features: 1) The particle competition process is rather similar to many natural and social processes, such as resource competition by animals, territory exploration by humans (animal), election campaigns, etc.. Thus, the model proposed in this work may be useful to simulate dynamical evolution of such processes. 2) In this model, a rule to control the level of randomness of particle walking is introduced. We found a small portion of randomness can largely improve the community detection rate. Such a finding is analogous to a remarkable phenomenon called stochastic resonance (SR) where the performance of a nonlinear deterministic system can be largely enhanced by introducing a certain level of noise. Interestingly, such a SR-type phenomenon is observed in quite a different situation from classical SR systems. 3) Our finding indicates that randomness has an important role in evolutionary systems and in machine learning. It serves to automatically escape some undesirable traps and explore new spaces, i.e., it is a novelty finder. 4) A quantitative analysis for two particle competition in two communities is provided. This is a step toward the development of fundamental theory of competitive learning

Diferentes sistemas do mundo real podem ser representados por redes. As redes são estruturas nas quais seus vértices (nós) representam entidades e links representam relações entre essas entidades. Além disso, as redes caracterizam-se por ser estruturas dinâmicas, o que implica na rápida aparição e desaparição de entidades e seus relacionamentos. Nesse cenário, um dos problemas importantes a serem enfrentados no contexto das redes, é da predição de links, isto é, prever a ocorrência futura de um link ainda não existente entre dois vértices com base nas informações já existentes. A importância da predição de links deve-se ao fato de ter aplicações na recuperação de informação, identificação de interações espúrias e, ainda, na avaliação de mecanismos de evolução das redes. Para enfrentar o problema da predição de links, a maioria dos métodos utiliza informações da vizinhança topológica das redes para atribuir um valor que represente a probabilidade de conexão futura entre um par de vértices analisados. No entanto, recentemente têm aparecido métodos híbridos, caracterizados por usar outras informações além da vizinhança topológica, sendo as informações das comunidades as normalmente usadas, isso, devido ao fato que, ao serem grupos de vértices densamente ligados entre si e esparsamente ligados com vértices de outros grupos, fornecem informações que podem ser úteis para determinar o comportamento futuro das redes. Assim, neste trabalho são apresentadas duas propostas na linha dos métodos baseados nas informações das comunidades para predição de links. A primeira proposta consiste em um novo índice de similaridade que usa as informações dos vértices pertencentes a mesma comunidade na vizinhança de um par de vértices analisados, bem como as informações dos vértices pertencentes a diferentes comunidades nessa mesma vizinhança. A segunda proposta consiste de um conjunto de índices obtidos a partir da reformulação de algumas propostas já existentes, porém, inserindo neles informações dos vértices pertencentes unicamente à mesma comunidade na vizinhança topológica de um par de vértices analisados. Experimentos realizados em dez redes complexas de diferentes domínios demonstraram que, em geral, os índices propostos obtiveram desempenho superior às abordagens usuais / Different real-world systems can be represented as networks. Networks are structures in which vertices (nodes) represent entities and links represent relationships between these entities. Moreover, networks are dynamic structures, which implies rapid appearance and disappearance of entities and their relationships. In this scenario, the link prediction problem attempts to predict the future existence of a link between a pair of vertices considering existing information. The link prediction importance is due to the fact of having different applications in areas such as information retrieval, identification of spurious interactions, as well as for understanding mechanisms of network evolution. To address the link prediction problem, many proposals use topological information to assign a value that represents the likelihood of a future connection between a pair of vertices. However, hybrid methods have appeared recently. These methods use additional information such as community information. Communities are groups of vertices densely connected among them and sparsely connected to vertices from other groups, providing useful information to determinate the future behavior of networks. So, this research presents two proposals for link prediction based on communities information. The first proposal consists of a new similarity index that uses information about the communities that the vertices in the neighborhood of a analyzed pair of vertices belong. The second proposal is a set of indices obtained from the reformulation of various existing proposals, however, using only the information from vertices belonging to the same community in the neighborhood of a pair of vertices analyzed. Experiments conducted in ten complex networks of different fields show the proposals outperform traditional approaches

O uso de técnicas de mineração de dados tem produzido resultados importantes em diversas áreas, tais como bioinformática, atividades de transações bancárias, auditorias de computadores relacionados à segurança, tráfego de redes, análise de textos, imagens e avaliação da qualidade em processos de fabricação. Em medicina, métodos de mineração de dados têm se revelado muito eficazes na realização de diagnósticos automáticos, ajudando na tomada de decisões por equipes médicas. Além do uso de mineração de dados, dados médicos podem ser representados por redes complexas, de modo a incluir conexões entre seus elementos. Por exemplo, no caso do cérebro, regiões corticais podem representar vértices em um grafo e as conexões podem ser definidas através das atividades corticais. Com isso, pode-se comparar a estrutura do cérebro de sujeitos sadios com a de pacientes que apresentam doenças mentais de modo a definir métodos para diagnóstico e obter conhecimento sobre como a estrutura do cérebro está relacionada com alterações comportamentais e neurológicas. Nesse trabalho, estamos interessados em usar métodos de mineração de dados e redes complexas para classificar pacientes portadores de quatro diferentes tipos de doenças mentais, isto é, esquizofrenia, autismo, déficit de atenção/desordem de hiperatividade e paralisia progressiva nuclear. / A data mining and knowledge discovery is in a field of research, with applications in different areas such as bioinformatics, customer transaction activity, security related computer audits, network traffic, text analysis and quality evaluation in manufacturing. In medicine, data mining methods have proven very effective in performing automatic diagnostics, helping in making decisions by medical teams. In addition to the use of data mining, medical data can be represented by complex networks in order to include connections between its elements. For example, in the case of the brain, cortical regions can represent vertices in a graph and the connections can be defined through cortical activities. Thus, we can compare the brain structure of healthy patients with those of patients with mental disorder in order to define methods for diagnosis and to obtain knowledge about how the structure of the brain is related to behavioral and neurological changes. Here, we are interested in using data mining methods and complex networks to classify patients with four different types of mental desorders, that is, schizophrenia, autism, attention deficit / hyperactivity disorder, and progressive supranuclear paralysis.