Schuster, Nicole. - La metrópolis y la arquitectura del poder ayer hoy y mana...
Procesos de consenso en redes dinámicas
1. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Procesos de consenso en redes dinámicas
Miguel Rebollo
GSC. Doctorado en Sistemas Complejos
Tutores: R. Benito, J.C. Losada, J. Galeano
Enero 2015
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
2. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Consenso
¿qué es el consenso?
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
3.
4.
5.
6.
7. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Consenso
¿para qué sirve?
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
8.
9.
10.
11.
12.
13.
14.
15. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Algoritmo de consenso (Olfati, 2007)
1.
cada nodo tiene un valor inicial
1 2
3 4
x1 = 0.4 x2 = 0.2
x3 = 0.3 x4 = 0.9
x1 = 0.4
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
16. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Algoritmo de consenso (Olfati, 2007)
2.
pasa su valor a sus vecinos
1 2
3 4
x1 = 0.4 x2 = 0.2
x3 = 0.3 x4 = 0.9
x1 = 0.4
x1 = 0.4
x1 = 0.4
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
17. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Algoritmo de consenso (Olfati, 2007)
3.
recibe los valores de los vecinos
1 2
3 4
x1 = 0.4 x2 = 0.2
x3 = 0.3 x4 = 0.9
x2 = 0.2
x4 = 0.9
x3 = 0.3
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
18. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Algoritmo de consenso (Olfati, 2007)
4.
calcula el nuevo valor con
xi (t+1) = xi (t)+ε
j∈Ni
[xj(t) − xi (t)]
siendo ε < 1
m«ax di
x(t + 1) =
P
(I − εL) x(t)
1 2
3 4
x1 = 0.45 x2 = 0.425
x3 = 0.325 x4 = 0.6
x1 = 0.4
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
19. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Proceso de consenso
0 5 10 15 20 25 30
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
x = 0.45
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
20. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Limitaciones
red estática: no se permiten cambios en
valores iniciales
pesos
estructura
parámetros globales: ε
consenso sobre una variable
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
21. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Conservación de la suma
Concepto clave: la suma de los valores de x permanece constante
durante todo el proceso
i
xi (0) =
i
xi (t) ∀t
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
22. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Adaptaciones a la dinámica
0 5 10 15
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
time
x
Consensus with changes in initial values
0 5 10 15
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
time
x
Consensus with changes in weights
0 2 4 6 8 10
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
time
x
Consensus process with node deletion
0 2 4 6 8 10
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
time
x
Consensus process
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
23. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Modelo general
Dos procesos de consenso en paralelo
1 consenso de mínimos para εi
εt+1
i = minj∈Nt
i ∪i εt
j
2 consenso general para xi
xt+1
i = xt
i + f (xt
i ) +
εt
i
wt
i j∈Nt
i
xt
j − xt
i +
xt
i
wt
i j∈Nt
i
εt
i − εt
j
Adaptación con información local exclusivamente
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
24. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Problema de coherencia
red con pesos negativos
encontrar partición en 2
grupos C+, C−
i, j pertenecen al mismo
grupo si aij > 0
se busca maximizar el
valor de la partición
W =
i,j∈C+ aij − i∈C+,j∈C− aij
|E|
1 2
3 4
-0,5
0,5
-0,50,5
0,5
-1
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
25. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Coherencia mediante consenso
Laplaciana con signo
¯L = ¯D − A, con ¯dii =
j=i
|aij|
x(t + 1) =
¯P
(I − ε¯L) x(t)
Al aplicar el consenso
la red converge a un único valor |x| (en valor absoluto)
el signo de x determina el grupo al que pertenece
si no es completamente separable, xi → 0
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
27. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Comunidades en redes con signo
Generalización del problema de coherencia a n comunidades
caso: tribus Nueva
Zelanda
detección por valores
propios
3 grupos claramente
separados
−0.4 −0.3 −0.2 −0.1 0 0.1 0.2 0.3 0.4 0.5 0.6
−0.4
−0.3
−0.2
−0.1
0
0.1
0.2
0.3
0.4
0.5
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
28. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Proceso iterativo
1 se aplica consenso (coherencia)
2 los nodos desactivan los enlaces con los vecinos del otro grupo
3 para cada grupo, se vuelve a aplicar consenso
4 si un grupo no se divide más, para
5 el proceso termina cuando no se producen divisiones
6 cada nodo pertenece al mismo grupo que los vecinos con los
que al final mantenga un enlace (positivo)
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
29. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Resultado
0 20 40 60 80 100 120 140 160
−0.4
−0.2
0
0.2
0.4
0.6
0.8
1
0 50 100 150 200 250 300 350
−0.2
0
0.2
0.4
0.6
0.8
1
1.2
Original Network Communities Detected
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
30. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Trabajo actual
consenso multivariable
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
31. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Representación: Redes multicapa
x1
1
x2
1
capa 1
capa 2
w2
1
w1
1
Cada variable se representa en
una capa. Hay una copia del
nodo en cada capa
xα
i valor de i en la capa α
wα
i importancia que
asigna i a la capa α
(privado)
α wα
i = 1∀i
Consenso en cada capa +
ascenso por gradiente entre
capas
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
32. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Función de utilidad local
Función de utilidad: gaussiana
¯x = xi (0) la media es el
valor inicial (máximo)
σ = 1 − wi la desv.
depende del peso
uα
i (xα
i ) = e
− 1
2
xα
i
−xα
i
(0)
1−wα
i
2
Se combinan asumiendo que
son independientes
ui (xi ) =
α
uα
i (xα
i )
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
33. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Consenso + ascenso por gradiente
Proceso combinado (Yuan&Yin, 2014)
xα
i (t+1) = xα
i +
fi
ε
wα
i j∈Nα
i
(xα
j (t) − xα
i (t)) + ϕ ui (x1
i (t), . . . , xp
i (t))
gi
Al usar la gaussiana como función de utilidad
∂ui (xi )
∂xα
i
= −
xα
i (t)−xα
i (0)
(1−wα
i )2 ui (xi )
converge si ϕ ≤ mini
1
Lui
Lui (derivada máxima) en xα
i ± (1 − wα
i )
xα
i (t + 1) =
xα
i + ε
wα
i
j∈Nα
i
(xα
j (t) − xα
i (t)) − 1
m«axi || ui (xi )||2
·
xα
i (t)−xα
i (0)
(1−wα
i )2 ui (xi )
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
34. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Máximos locales
¿Qué ocurre si hay máximos
locales?
hay nodos que el en
máximo absoluto tienen
utilidad 0
rompen los enlaces que
les llevan a zonas de
baja utilidad
crean enlaces con
nodos cercanos →
utilidad semejante
los nodos se reagrupan en
máximos locales
1
2
3
4
5
6
7
8
9
10
0
1
2
3
4
5
6
7
8
9
10
0
0.5
1
1.5
2
2.5
3
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
35. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Trabajo realizado
modelo de consenso general
extensión a redes con signo
problemas de coherencia
detección de comunidades
otras extensiones
redes móviles
consenso solidario
disenso
efecto de la memoria (resistencia)
combinación con otras técnicas de difusión (gossip)
combinación con gradiente
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas
36. Introducción Modelo General Coherencia Comunidades Multivariable Resumen
Trabajo futuro
generalización del modelo completo
modelo asíncrono
cheating: detección de nodos que no siguen el algoritmo
estudio teórico de las propiedades
estudio en el límite de los parámetros ε y ϕ
@mrebollo GSC. Doctorado en Sistemas Complejos Tutores: R. Benito, J.C. Losada, J. Galeano
Procesos de consenso en redes dinámicas