Towards an Information Theory of Complex Networks: Statistical Methods and Applications

برای بیش از یک دهه، شبکه های پیچیده به طور پیوسته به عنوان یک ابزار مهم در طیف گسترده ای از رشته های دانشگاهی، با کاربردهای مختلف از فیزیک تا رسانه های اجتماعی، رشد کرده اند. مجموعه ای کاملاً سازماندهی شده از مقالات با دقت انتخاب شده در مورد این موضوع، به سوی نظریه اطلاعات شبکه های پیچیده: روش ها و کاربردهای آماری نتایج نظری و عملی در مورد مدل های اطلاعاتی-نظری و آماری شبکه های پیچیده در طبیعت ارائه می کند. علوم و علوم انسانی. هدف اصلی این کتاب حمایت و ترویج ترکیبی از روش‌های گراف-نظری، اطلاعات-نظریه و روش‌های آماری به عنوان راهی برای درک بهتر و توصیف شبکه‌های دنیای واقعی است.

این جلد اولین جلدی است که مروری جامع و مستقل از مدل‌های نظری اطلاعات شبکه‌های پیچیده با تأکید بر کاربردها را ارائه می‌کند. این کتاب با چهار فصل شروع می‌شود که مهم‌ترین مسائل نظری-رسمی مدل‌سازی شبکه را توسعه می‌دهد، اما اکثریت کتاب به ترکیب نتایج نظری با تجزیه و تحلیل تجربی شبکه‌های واقعی اختصاص دارد. موضوعات خاص عبارتند از:

• نظریه گراف شیمیایی
• دینامیک تعامل اکوسیستم
• هستی شناسی های اجتماعی
• شبکه های زبان
< li>سیستم‌های نرم‌افزاری

این کار اولین گام به سوی ایجاد نظریه اطلاعات آماری پیشرفته به‌عنوان مبنای نظری یکپارچه شبکه‌های پیچیده برای همه رشته‌های علمی است. به این ترتیب، می تواند به عنوان یک منبع ارزشمند برای مخاطبان متنوعی از دانشجویان پیشرفته و دانشمندان حرفه ای باشد. در درجه اول به عنوان مرجعی برای تحقیق در نظر گرفته شده است، اما همچنین می تواند یک متن تکمیلی مفید در دوره های مرتبط با علم اطلاعات، نظریه گراف، یادگیری ماشین و زیست شناسی محاسباتی و سایر موارد باشد.

For over a decade, complex networks have steadily grown as an important tool across a broad array of academic disciplines, with applications ranging from physics to social media. A tightly organized collection of carefully-selected papers on the subject, Towards an Information Theory of Complex Networks: Statistical Methods and Applications presents theoretical and practical results about information-theoretic and statistical models of complex networks in the natural sciences and humanities. The book's major goal is to advocate and promote a combination of graph-theoretic, information-theoretic, and statistical methods as a way to better understand and characterize real-world networks.

This volume is the first to present a self-contained, comprehensive overview of information-theoretic models of complex networks with an emphasis on applications. It begins with four chapters developing the most significant formal-theoretical issues of network modeling, but the majority of the book is devoted to combining theoretical results with an empirical analysis of real networks. Specific topics include:

• chemical graph theory
• ecosystem interaction dynamics
• social ontologies
• language networks
• software systems

This work marks a first step toward establishing advanced statistical information theory as a unified theoretical basis of complex networks for all scientific disciplines. As such, it can serve as a valuable resource for a diverse audience of advanced students and professional scientists. It is primarily intended as a reference for research, but could also be a useful supplemental graduate text in courses related to information science, graph theory, machine learning, and computational biology, among others.