Resumo Técnico: Perfis de Centralidade Fuzzy Unificados e Estabilidade de Classificação em Redes $\theta_g$-Fuzzy

1. Definição do Problema

Redes do mundo real frequentemente envolvem relações incertas ou graduais onde as arestas representam níveis variados de força, confiabilidade ou disponibilidade, em vez de conexões binárias. Embora a teoria dos grafos fuzzy forneça uma estrutura para modelar tais sistemas, um desafio significativo surge na análise de centralidade: diferentes medidas de centralidade fuzzy (por exemplo, grau, proximidade, intermediação, Katz) frequentemente induzem classificações conflitantes da importância dos vértices.

Um único índice de centralidade pode falhar em capturar a natureza multifacetada da importância do vértice, que pode ser vista através de perspectivas locais, baseadas em distância, baseadas em caminhos, baseadas em vizinhança e baseadas em passeios (walks). Além disso, estudos existentes sobre conectividade e dominação fuzzy estabeleceram configurações estruturais específicas, como grafos $\theta_g$-fuzzy, onde cada par de vértices distintos possui uma avaliação de força de ciclo unicamente determinada. No entanto, faltava uma estrutura unificada para analisar a importância do vértice através de múltiplas dimensões de centralidade dentro desta configuração estrutural específica, enquanto se avaliava a estabilidade das classificações.

2. Metodologia

O artigo propõe uma Estrutura de Perfil de Centralidade Fuzzy Unificada projetada especificamente para grafos $\theta_g$-fuzzy. A metodologia procede através das seguintes etapas:

2.1 Fundamentação Estrutural

A estrutura opera em grafos $\theta_g$-fuzzy, definidos como grafos fuzzy onde, para quaisquer vértices distintos $u, v$, o conjunto de forças de ciclo $\theta_g(u, v)$ é vazio ou um singleton. Isso garante que as relações cíclicas sejam bem definidas, uma condição satisfeita por grafos onde cada ciclo contendo um par de vértices específico compartilha uma força de gargalo única.

2.2 Medidas de Entrada

A estrutura utiliza uma família de medidas de centralidade fuzzy $\mathcal{M} = \{C_1, C_2, \dots, C_q\}$, incluindo:

• Local/Vizinhança: Grau Fuzzy ($C_D$), Baseado em Alter ($C_{AC}$) e Potência de Alter ($C_{AP}$).
• Baseada em Distância: Proximidade Fuzzy ($C_C$) usando distância de Chebyshev, e Excentricidade Fuzzy ($C_{ecc}$).
• Baseada em Caminho: Intermediação Fuzzy ($C_B$) baseada na força do caminho.
• Baseada em Passeio (Walk): Centralidades de Katz Fuzzy ($C_K$) e Subgrafo Fuzzy ($C_{sub}$).

2.3 Construção do Perfil

1. Normalização: Cada medida de centralidade bruta $C_j$ é normalizada para um valor $\hat{C}_j(v) \in [0, 1]$ dividindo-a pelo valor máximo no grafo. Isso coloca medidas heterogêneas em uma escala comum.
2. Vetor de Perfil: Para cada vértice $v$, um Perfil de Centralidade Fuzzy $\Phi_{\mathcal{M}}(v)$ é construído como um vetor de pontuações normalizadas: $(\hat{C}_1(v), \hat{C}_2(v), \dots, \hat{C}_q(v))$.

2.4 Agregação e Comparação

• Pontuações Integradas: Uma soma ponderada $C_\omega(v) = \sum \omega_j \hat{C}_j(v)$ é computada para gerar uma classificação escalar baseada em prioridades analíticas específicas (vetor de peso admissível $\omega$).
• Dominância de Perfil: Uma comparação independente de pesos é introduzida onde o vértice $u$ domina $v$ ($u \succeq_\Phi v$) se $\hat{C}_j(u) \ge \hat{C}_j(v)$ para todo $j$. Os vértices que não são estritamente dominados por nenhum outro vértice formam o conjunto de vértices não dominados pelo perfil ($ND_\Phi(G)$).

2.5 Análise de Estabilidade

Para abordar a inconsistência de classificação:

• Sobreposição Top-$k$: Mede a proporção de concordância entre os conjuntos top-$k$ de duas medidas de centralidade diferentes.
• Pontuação de Estabilidade ($Stab_k(v)$): Calcula a proporção de medidas de centralidade em $\mathcal{M}$ que classificam o vértice $v$ dentro de sua lista top-$k$.
• Conjuntos Estáveis de Limiar: Vértices com pontuações de estabilidade acima de um limiar $\tau$ são identificados como vértices centrais estáveis.

3. Principais Contribuições

1. Estrutura de Perfil Unificada: O artigo introduz um método para representar a importância do vértice como um vetor multidimensional em vez de um escalar, permitindo a análise simultânea de importância local, de distância, de caminho e de passeio em grafos $\theta_g$-fuzzy.
2. Dominância Independente de Peso: Estabelece uma relação de dominância ($\succeq_\Phi$) que identifica vértices estruturalmente importantes sem exigir atribuições de peso subjetivas, ligando o conceito à otimização multicritério de Pareto.
3. Métricas de Estabilidade: A introdução da sobreposição Top-$k$ e das Pontuações de Estabilidade fornece ferramentas quantitativas para avaliar a consistência de classificação e identificar vértices que permanecem centrais através de diversos pontos de vista estruturais.
4. Validação em Estruturas $\theta_g$: A estrutura é rigorosamente testada em grafos $\theta_g$-fuzzy, demonstrando que mesmo em grafos com núcleos cíclicos de arestas compartilhadas (onde os ciclos compartilham arestas, mas mantêm avaliações de força únicas), a abordagem de perfil identifica efetivamente nós centrais estáveis.

4. Resultados

O artigo valida a estrutura através de três experimentos numéricos:

• Exemplo Ilustrativo Pequeno: Um grafo $\theta_g$-fuzzy construído com 8 vértices mostrou que, embora diferentes medidas produzissem diferentes classificações top-3, a estrutura de perfil identificou com sucesso os vértices $f_3$ e $f_4$ como estáveis (aparecendo nas listas top-3 para 75% das medidas).
• Exemplo de Inconsistência de Classificação Construído: Um grafo de 12 vértices com um núcleo cíclico de aresta compartilhada demonstrou divergência significativa de classificação. Por exemplo, a centralidade de Proximidade selecionou um conjunto top-5 disjunto em relação às centralidades de Grau e Katz. No entanto, a análise de estabilidade revelou que os vértices $u$ e $v$ (o núcleo de aresta compartilhada) permaneceram estáveis sob 87,5% das medidas, enquanto nenhum vértice foi selecionado por todas as 8 medidas.
• Simulação Baseada em Topologia Real: Usando a topologia de Internet "Karen" (25 vértices), as memberships fuzzy foram atribuídas com base na velocidade do link e no grau do nó para satisfazer a condição $\theta_g$. Os resultados mostraram que a centralidade de Proximidade (baseada em distância fuzzy) teve zero sobreposição com outras medidas no nível top-5. Inversamente, os vértices PNR (estabilidade 0,875) e WLG (estabilidade 0,750) foram identificados como os nós centrais mais estáveis, aparecendo nas listas top-5 da maioria das medidas de centralidade.

5. Significância e Alegações

O artigo alega que a abordagem baseada em perfis proposta oferece uma compreensão mais robusta da importância do vértice em redes incertas do que qualquer medida de centralidade fuzzy isolada. Ao normalizar e agregar múltiplas perspectivas, a estrutura:

• Resolve a Ambiguidade: Permite a identificação de "vértices centrais estáveis" que são consistentemente importantes independentemente do ponto de vista estrutural específico (local vs. global, caminho vs. passeio).
• Quantifica a Consistência: Fornece métricas (sobreposição e pontuações de estabilidade) para medir explicitamente o grau de discordância entre diferentes modelos de centralidade.
• Aplicabilidade: A estrutura é aplicável a grafos $\theta_g$-fuzzy, uma classe de grafos com estruturas cíclicas bem definidas, e pode lidar com memberships fuzzy não uniformes encontradas em simulações de topologia do mundo real.

Os autores concluem que os vértices centrais estáveis são melhor compreendidos através da comparação de perfis multidimensionais. Eles sugerem que trabalhos futuros poderiam estender isso para estimativa de membership baseada em dados, computação escalável para redes grandes e modelos de grafos $\theta_g$-fuzzy dinâmicos ou de múltiplas camadas.