复杂网络的可预测性

Sun, 01 Jun 2025 00:00:00 +0000

概述

本硕士论文《复杂网络的可预测性》由Xuetong Zhao撰写，研究了复杂网络行为和演化的可预测性这一基本问题。复杂网络——如社交、生物和技术系统——表现出挑战传统分析方法的复杂结构和动态行为。本论文在塞浦路斯理工大学电气工程、计算机工程与信息学系进行，于2024年2月在Fragkiskos Papadopoulos指导下完成。

该研究解决了网络可预测性的理论和实践方面，探索了基于当前信息预测网络未来状态或结构变化的程度。该研究利用网络科学、统计力学和计算建模的最新进展来分析合成和真实世界的网络数据。

主要贡献

理论框架：本论文为量化复杂网络中的可预测性建立了严格的框架。这包括定义适当的指标和标准，用于评估从当前数据预测未来网络配置或动态的能力。
方法论进展：它引入或适配分析和计算技术——可能包括机器学习、统计推断和随机游走模型——来评估和改进可预测性。该工作还可能比较不同方法在各种类型网络中的有效性。
实证评估：该研究将所提出的方法应用于一系列网络数据集，展示了可预测性如何随网络拓扑、规模和交互性质而变化。结果可能突出哪些结构特征（如度分布、聚类、模块性）增强或限制可预测性。
案例研究：通过检查特定的真实世界网络（如社交、通信或生物系统），本论文说明了其发现的实际意义，展示了可预测性洞察如何为网络设计、干预策略或风险评估提供信息。

影响与相关性

本论文通过澄清预测复杂网络行为的限制和可能性，为网络科学领域做出了重要贡献。理解可预测性对于广泛的应用至关重要，包括流行病建模、基础设施韧性、信息传播和网络安全。通过提供测量和增强可预测性的系统方法，该研究为从事复杂系统工作的科学家和工程师提供了有价值的工具。

此外，这些发现对网络系统的设计和管理具有更广泛的意义。改进的可预测性可以导致更有效的控制策略、更好的资源分配和增强的故障或攻击鲁棒性。因此，本论文作为理论洞察和实际应用之间的桥梁，推进了复杂网络的科学和工程。

真实世界网络双曲嵌入方法比较：机器学习与网络科学

Sun, 01 Jun 2025 00:00:00 +0000

概述

本论文由塞浦路斯理工大学的Zhou Haojie撰写，对应用于真实世界网络的双曲嵌入方法进行了全面的比较研究，重点关注机器学习方法与传统网络科学技术之间的交叉和对比。双曲嵌入已成为表示复杂网络数据的强大工具，能够更高效地分析结构特性并促进下游任务，如链接预测、分类和异常检测。该工作位于两个快速发展的领域——机器学习和网络科学——的交汇处，每个领域都为网络表示和分析提供了独特的方法论。

主要贡献

系统比较：本论文从机器学习和网络科学两个角度系统比较了最先进的双曲嵌入方法。它在各种真实世界网络上评估了它们的性能，考虑了多个下游任务，如映射精度、贪婪路由和链接预测。这种双重视角允许对每种方法论传统固有的优势和局限性进行细致理解。
评估指标：该研究采用了一系列定量指标来评估嵌入质量，包括计算复杂度、可扩展性以及对度分布、模块性和聚类系数等网络特征的敏感性。通过这样做，它提供了不同嵌入策略在多样化网络条件下如何表现的整体视图。
方法集成：本论文探索了将数据驱动的机器学习模型与基于模型的网络科学方法集成的潜力。它突出了机器学习方法的灵活性，这些方法不依赖于强生成假设，并与网络科学模型的可解释性和理论基础形成对比。该工作还讨论了多层网络嵌入的最新进展以及使用庞加莱圆盘模型来改善几何表示和可解释性。
实践洞察：通过大量实验，本论文识别了嵌入精度、计算效率和适用于不同类型网络之间的实际权衡。它为从业者基于特定网络属性和分析目标选择适当的嵌入方法提供了指导。

影响与相关性

本论文对双曲网络嵌入的理论和实践理解做出了重要贡献。通过弥合机器学习和网络科学之间的差距，它推进了网络表示学习的最新技术，并为从事复杂网络数据工作的研究人员和从业者提供了可操作的见解。这些发现在社交网络分析、生物网络建模、网络安全以及理解网络系统潜在几何形状至关重要的任何领域都特别相关。本工作中建立的比较框架和建议有望为更鲁棒、可扩展和可解释的网络嵌入算法的未来研究和开发提供信息。

网络科学 | 电子与技术硕士

复杂网络的可预测性

概述

主要贡献

影响与相关性

真实世界网络双曲嵌入方法比较：机器学习与网络科学

概述

主要贡献

影响与相关性