机构名称：
¥ 1.0
推断和重建复杂网络摘要：网络数据为我们提供了广泛的复杂系统的描述，包括社会动态，人脑，细胞代谢，生态系统，气候动态，流行病扩散，用户行为，文本语料库，信息基础架构等。过去二十年来，几乎所有科学，技术和工业领域的网络数据中都有越来越多的洪水泛滥。是高维，稀疏，构造且通常是大的关系对象，网络数据提出了特定的挑战，需要特殊的分析和方法论框架。尤其是这些属性阻止了我们直接检查大型网络的结构，而要求我们开发生成模型和推理算法来描述它们的大和中尺度结构。此外，引起系统功能行为的成对相互作用通常无法直接访问，因为它们是不可能直接测量的。在这种情况下，我们需要从间接信息中推断或重建隐藏的交互网络。在本演讲中，我回顾了一种基于大规模生成模型和贝叶斯统计推断的全面，原则性和可扩展的方法，可从网络数据中提取科学理解。我将重点介绍模块化结构的原则提取以及从动力学行为中重建网络，从而利用统计物理和信息理论的分析框架。与统计物理学的联系尤其富有成果，因为它揭示了与自旋系统的等效性，包括与可检测性和计算硬度基本限制相关的相变的现象学。
Tiago de Paula Peixoto教授
主要关键词
相关文件推荐
