Structural analysis of complex networks

به دلیل پیچیدگی و رشد روزافزون شبکه های دنیای واقعی، تجزیه و تحلیل آنها با استفاده از روش های کلاسیک نظریه گراف اغلب یک روش دشوار است. در نتیجه، نیاز شدیدی به ترکیب روش‌های تئوری گراف با تکنیک‌های ریاضی سایر رشته‌های علمی، مانند یادگیری ماشین و نظریه اطلاعات، وجود دارد تا بتوان شبکه‌های پیچیده را به‌طور مناسب‌تر تحلیل کرد.

پر کردن شکاف. در ادبیات، این کتاب مستقل نتایج نظری و کاربردی را برای بررسی ساختاری شبکه‌های پیچیده ارائه می‌کند. این کار نه تنها بر روش‌های کلاسیک-نظری گراف تمرکز دارد، بلکه سودمندی نظریه گراف ساختاری را به عنوان ابزاری برای حل مسائل بین‌رشته‌ای نشان می‌دهد.

تاکید ویژه بر روش‌های مربوط به حوزه‌های زیر داده شده است: P>

* کاربردها در زیست شناسی، شیمی، زبان شناسی و تجزیه و تحلیل داده ها

* رنگ آمیزی نمودار

* چند جمله ای های نمودار

* معیارهای اطلاعاتی برای نمودارها< /P>

* خواص متریک نمودارها

* پارتیشن ها و تجزیه ها

* اندازه گیری گراف کمی

تحلیل ساختاری شبکه های پیچیده

* STRONG> برای خوانندگان گسترده و بین رشته ای از محققان، پزشکان و دانشجویان فارغ التحصیل در ریاضیات گسسته، آمار، علوم کامپیوتر، یادگیری ماشین، هوش مصنوعی، زیست شناسی محاسباتی و سیستمی، علوم شناختی، زبان شناسی محاسباتی و شیمی ریاضی مناسب است. این کتاب ممکن است به عنوان یک کتاب درسی تکمیلی در سمینارهای مقطع کارشناسی ارشد در مورد تجزیه و تحلیل نمودار ساختاری، شبکه های پیچیده یا روش های یادگیری ماشین مبتنی بر شبکه استفاده شود.

Because of the increasing complexity and growth of real-world networks, their analysis by using classical graph-theoretic methods is oftentimes a difficult procedure. As a result, there is a strong need to combine graph-theoretic methods with mathematical techniques from other scientific disciplines, such as machine learning and information theory, in order to analyze complex networks more adequately.

Filling a gap in literature, this self-contained book presents theoretical and application-oriented results to structurally explore complex networks. The work focuses not only on classical graph-theoretic methods, but also demonstrates the usefulness of structural graph theory as a tool for solving interdisciplinary problems.

Special emphasis is given to methods related to the following areas:

* Applications to biology, chemistry, linguistics, and data analysis

* Graph colorings

* Graph polynomials

* Information measures for graphs

* Metrical properties of graphs

* Partitions and decompositions

* Quantitative graph measures

Structural Analysis of Complex Networks is suitable for a broad, interdisciplinary readership of researchers, practitioners, and graduate students in discrete mathematics, statistics, computer science, machine learning, artificial intelligence, computational and systems biology, cognitive science, computational linguistics, and mathematical chemistry. The book may be used as a supplementary textbook in graduate-level seminars on structural graph analysis, complex networks, or network-based machine learning methods.