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。
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。
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。