degree correlations

Filipe Emanuel
Outubro de 2017

Orientador(a): Raquel Cabral

Universidade Federal de Alagoas
Mestrado em Modelagem Computacional do Conhecimento
Roteiro

1. Introduo;
2. Padro de Ligao;
3. Correlao;
4. Exemplo dos Modelos de Correlao;
5. Assortatividade Perfeita;
6. Redes Reais;
7. Coeficiente de Correlao;
8. Algoritmo de Correlao.

1
Introduo

A diversidade de redes complexas existentes, mostram os diferentes tipos de

relao entre indivduos. A probabilidade de um vrtice se conectar a outro
vai depender completamente dos tipos de cada um.

2
Padro de Ligao

Eij a quantidade de arestas entre um vrtice do tipo i e outro do tipo j.

P(j |i) indica a probabilidade de que um vizinho de um vrtice i seja um
vrtice j.
e
P(i|j) = ij
j eij

3
Correlao

Supondo que uma celebridade possa namorar algum de um grupo de cerca

de cem milhes (108 ) indivduos, as chances de seu companheiro ser outra
celebridade de uma lista 1.000 outras celebridades apenas 105 .

Figura: Hubs procuram Hubs: Casais de Celebridades (Social)

4
Correlao

Figura: Hubs Evitando Hubs: Protena de Levedura (Proteica)

5
Correlao

Figura: Correlao - Modelos

6
Correlao

H diferentes maneiras de se quantificar e visualizar o efeito da correlao

de graus sobre uma rede.

1. Plotar o histograma bi-dimensional que mostra os graus dos vrtices de

cada ponta das arestas;
2. Calcular, para um determinado grau k, o grau mdio de seus vizinhos,
como uma funo de k.

7
Exemplo dos modelos

Consideramos trs redes (N = 1.000 e <k> = 10.) que possuem

precisamente a mesma distribuio de grau (Poisson pk). Nota-se que as
redes, apresentam diferentes correlaes de grau.

8
(a, d) Redes Assortativas

Para redes assortivas, o eij considerado alto ao longo da diagonal

principal. Isso indica que os ns de grau comparvel tendem a se unir entre
si. A rede (a) possui numerosos links entre seus hubs, bem como entre seus
ns de pequeno porte.

Figura: Rede (a)

9
(b, e) Redes Neutras

Os ns de de uma rede neutra se ligam aleatoriamente. Assim, a densidade

de links simtrica em torno do grau mdio, indicando a falta de
correlaes no padro de ligao

Figura: Rede (b)

10
(c, f) Redes Disassortativa

Nas redes Disassortativas, o eij maior ao longo da diagonal secundria,

indicando que os hubs tendem a se conectar a ns de pequeno grau e ns de
pequeno grau aos hubs. Consequentemente, essas redes tm um caractere
de hub e spoke, como visto em (c).

Figura: Rede (c)

11
Assortatividade Perfeita

Em uma rede perfeitamente assortiva, cada n liga-se apenas a ns com o

mesmo grau.

12
Figura: Rede Assortiva Perfeita
Redes Reais

Figura: Scientific Collaboration Networks

13
Redes Reais

Figura: Power Grid

14
Redes Reais

Figura: Metabolic Network

15
Coeficiente de Correlao

Para caracterizar correlaes de grau usando um nico nmero, podemos

usar o coeficiente de correlao proposto por Mark Newman, o coeficiente
de correlao de grau definido como:
jk(ejk qj qk )
r= 2
jk

r o coeficiente de correlao de Pearson entre os graus encontrados no

final do mesmo link. Ela varia entre 1r1.

1. Para r <0, a rede assortativa;

2. Para r = 0 a rede neutra;
3. Para r> 0 a rede disassortativa;

Por exemplo, para a rede de colaborao cientfica, obtemos r = 0.13, de

acordo com sua natureza assortiva; para a rede de interao de protenas
r = 0.04, apoiando sua natureza disassontativa e para a rede eltrica
temos r = 0.
16
Algoritmo de Correlao

O algoritmo proposto por Xalvi-Brunet e Sokolov, visa gerar redes com

correlao mxima com uma sequncia de grau predefinida.
Passo 1: (Seleo de links) Escolha aleatoriamente dois links. Identifique
os quatro ns no final desses dois links como a, b, c e d, de modo que seus
graus sejam ordenados como ka kb kc kd .

Figura: Passo 1
17
Algoritmo de Correlao

Passo 2: (Religao) Quebre os links selecionados e religue-os para

formar novos pares. Dependendo das correlaes de grau desejadas, a
religao feita de duas maneiras:

Figura: Passo 1
18
Algoritmo de Correlao

Figura: Assortativa

19
Algoritmo de Correlao

Figura: Disassortativa

20
21