## Memo > 理論的な観点から、信号伝搬複雑ネットワークの研究に使用できるアプローチは2種類あります。構造とダイナミクスの相互作用に基づき、様々な伝搬パターンを生成するモデリング駆動型である。もうひとつは、データ駆動型で、経験的なデータから隠れたパターンを明らかにする逆問題である。 本論文は、[[複雑ネットワーク]]における信号伝播の包括的な現代的レビューを提示する。 > The ultimate understanding of complex networks, including natural and technological systems, can be reflected in our ability to control them [Controllability of complex networks | Nature](https://www.nature.com/articles/nature10011) - - 拡散モデル - [[ランダムウォーク]] 病気、アイデア、ミームなどの情報が、様々なエージェントを介して社会的、生物学的、技術的システムにおいてどのように伝達または伝播されるかを検証する - 複雑ネットワーク - [[Temporal networks]] - Spatiotemporal signal propagation - Multilayer networks - Control on networks - Graph neural networks ([[Graph Neural Network|GNN]]) ![[Pasted image 20240111162319.png]] ![[Pasted image 20240112163042.png]] ## Abstract 複雑なネットワークにおける信号伝播は、伝染病を引き起こし、情報が流行する原因となり、社会集団における信頼を促進し、道徳的行動を容易にし、誤情報検出アルゴリズムの開発を可能にし、脳の魅力的な認知能力を支える主要な柱である。信号伝播の幾何学的形状は、ノード間で起こりうる多様な形態の非線形相互作用と同様に、ネットワークのトポロジーによって決定される。そのため、進歩はシステムに依存することが多く、領域横断的な応用には限界がある。このテーマに関する20年以上の研究を考えると、複雑なネットワークにおける信号伝播の包括的なレビューが必要な時期が来ていることは確かである。ここではまず、流行モデル、倉本モデル、拡散モデル、カスケード破綻モデル、神経細胞ダイナミクスを記述するモデルなど、ノード間の相互作用の性質を決定する様々なモデルを調査する。次に、時間ネットワーク、多層ネットワーク、ニューラルネットワークなど、さまざまな種類の複雑ネットワークとそのトポロジーを取り上げる。次に、ネットワーク相関分析、情報伝達と非線形相関ツール、ネットワーク再構築、ソースローカライゼーションとリンク予測、人工知能に基づくアプローチなど、信号伝搬を利用したネットワーク時系列分析技術を取り上げる。最後に、疫学、社会力学、神経科学、工学、ロボット工学への応用について概説する。このように、我々は、読者に対して、信号の伝播におけるネットワークの役割に関連する複雑性に関する最新のレビューを提供することで、工学、社会科学、自然科学にまたがる革新的なアプリケーションを考案するため、また将来の研究を鼓舞するために、これをより良く活用することを期待している。