Impact of the community structure on the dynamics of complex networks
Impact de la structure communautaire sur la dynamique des réseaux complexes
Résumé
Networks are everywhere. We encounter them daily in our lives, through our social interactions, how we come up with decisions in our brain, to having phone calls, conducting financial transactions, and traveling from one place to another. Individual actions are influenced by their environment, which is, in turn, influenced by the network's topology. Notably, individuals may change their actions, ideas, or opinions to conform to the aspirations of a particular social group. In the same vein, the spread of a virus can take a certain course if the network's structure induces specific pathways for expansion. In such scenarios, communities substantially impact the evolution of the dynamics. They can hinder or enhance diffusion flow depending on where diffusion originates. Nodes within and between communities are responsible for initiating the dynamic diffusion flow in networks, while influential nodes can play a crucial role in boosting diffusion. The significance of comprehending the community structure of a network and its impact on the underlying dynamics, initiated by the nodes, is accentuated by many real-world scenarios. In this thesis, we study the interplay between dynamic models, influential nodes, the process of identifying them, and the network's topology. First, we investigate how the output of various dynamic models is influenced by the network topology, with seed nodes ranked using community-aware centrality measures. Studying this problem can provide insights into how diffusion spreads and identify constraints that limit the effectiveness of utilizing dynamic scenarios in practical situations, such as promoting viral marketing or combating false information. Second, we tackle the problem of influence redundancy and propose a new ranking scheme to naturally selects distant nodes to expand any diffusion phenomena. By tackling this problem through the proposed ranking scheme, diffusion ought to be maximized, independent of the network type. This renders a powerful tool suitable for researchers aiming to maximize diffusion in many applications. Third, researchers mainly focus on identifying influential nodes in networks with a non-overlapping community structure, while many networks have an overlapping community structure. Moreover, the measures developed for networks with an overlapping community structure are inflexible to missing or varying information. Therefore, we propose a flexible framework that identifies influential nodes in networks with incomplete, complete, fuzzy, or crisp overlapping information about the nodes. This framework allows researchers to incorporate various information about overlaps and customize it to different circumstances and information availability.
Les réseaux sont partout. Nous les rencontrons quotidiennement dans nos vies, à travers nos interactions sociales, la façon dont nous prenons des décisions dans notre cerveau, les appels téléphoniques, les transactions financières et les déplacements d'un endroit à un autre. Les actions individuelles sont influencées par leur environnement, qui est, à son tour, influencé par la topologie du réseau. Notamment, les individus peuvent modifier leurs actions, leurs idées ou leurs opinions pour se conformer aux aspirations d'un groupe social particulier. Dans le même ordre d'idées, la propagation d'un virus peut prendre un certain cours si la structure du réseau induit des voies d'expansion spécifiques. Dans de tels scénarios, les communautés ont un impact substantiel sur l'évolution de la dynamique. Ils peuvent entraver ou améliorer le flux de diffusion selon l'origine de la diffusion. Les nœuds au sein et entre les communautés sont chargés d'initier le flux de diffusion dynamique dans les réseaux, tandis que les nœuds influents peuvent jouer un rôle crucial dans la stimulation de la diffusion. L'importance de comprendre la structure communautaire d'un réseau et son impact sur la dynamique sous-jacente, initiée par les nœuds, est accentuée par de nombreux scénarios du monde réel. Dans cette thèse, nous étudions l'interaction entre les modèles dynamiques, les nœuds influents, leur processus d'identification et la topologie du réseau. Tout d'abord, nous étudions comment la sortie de divers modèles dynamiques est influencée par la topologie du réseau, avec des nœuds de départ classés à l'aide de mesures de centralité communautaire. L'étude de ce problème peut fournir des informations sur la façon dont la diffusion se propage et identifier les contraintes qui limitent l'efficacité de l'utilisation de scénarios dynamiques dans des situations pratiques, telles que la promotion du marketing viral ou la lutte contre les fausses informations. Deuxièmement, nous abordons le problème de la redondance d'influence et proposons un nouveau schéma de classement pour sélectionner naturellement les nœuds distants afin d'étendre tout phénomène de diffusion. En abordant ce problème à travers le schéma de classement proposé, la diffusion doit être maximisée, indépendamment du type de réseau. Cela rend un outil puissant adapté aux chercheurs visant à maximiser la diffusion dans de nombreuses applications. Troisièmement, les chercheurs se concentrent principalement sur l'identification des nœuds influents dans les réseaux avec une structure communautaire sans chevauchement, alors que de nombreux réseaux ont une structure communautaire qui se chevauche. De plus, les mesures développées pour les réseaux dont la structure communautaire se chevauche sont inflexibles face aux informations manquantes ou variables. Par conséquent, nous proposons un framework flexible qui identifie les nœuds influents dans les réseaux avec des informations incomplètes, complètes, floues ou nettes qui se chevauchent sur les nœuds. Ce framework permet aux chercheurs d'intégrer diverses informations sur les chevauchements et de les personnaliser en fonction des circonstances et de la disponibilité des informations.
Origine : Version validée par le jury (STAR)