Наука о сетях

Версия 19:51, 22 октября 2016

Определение

Сетевая наука - научная дисциплина, которая изучает общие черты природных или искусственных сетей, таких как информационные, биологические и социальные сети. Предметом исследования сетевой науки является сетевое представление физических, биологических и социальных явлений, ведущее к построению моделей позволяющих прогнозировать эти явления.

• A working definition of network science is the study of network representations of physical, biological, and social phenomena leading to predictive models of these phenomena. Initiation of a field of network science would be appropriate to provide a body of rigorous results that would improve the predictability of the engineering design of complex networks and also speed up basic research in a variety of applications areas.
  • National Research Council Network Science / National Research Council, 2005. 124 c.
• Network science is an academic field which studies complex networks such as telecommunication networks, computer networks, biological networks, cognitive and semantic networks, and social networks, considering distinct elements or actors represented by nodes (or vertices) and the connections between the elements or actors as links (or edges).
  • https://en.wikipedia.org/wiki/Network_science

Сетевая наука Network science - https://en.wikipedia.org/wiki/Network_science - как отдельное направление сформировалось в 21 веке, несмотря на то, что исследование различных сетей в науке, технологии и обществе имеет длительную историю. Взрыв интереса к сетой науки в первого десятилетия 21-го века коренится в открытии общих закономерностей и принципов, которые лежат в основании структуры и эволюции сложных систем (Сложная система) вне зависимости от их происхождения.

Нетрудно перечислить различия между различными сетями с которыми мы сталкиваемся в природе или обществе:

• узлами метаболической сети являются крошечные молекулы, а ребрами служат цепи химических реакций, подчиняющиеся законам химии и квантовой механики;
• узлами WWW являются веб-документы, а ребрами служат URL ссылки, основанные на компьютерных алгоритмах;
• узлами социальной сети являются люди, а ребрами служат семейные, профессиональные и дружеские и связи.

Существенно отличаются и процессы, которые порождают формирование различных сетей: сети метаболизма сформировались в результате эволюции, продолжавшейся миллиарды лет; Всемирная Паутина строится благодаря коллективным действий миллионов людей и их организаций; социальные сети формируются под воздействием социальных норм, чьи корни уходят в глубь тысячелетий. И не смотря на такое различие в размерах, масштабах, истории и эволюции, сети, лежащие в основании этих сложных систем очень похожи. Архитектура природных, научных и технологических сетей подчиняется общим организационным принципам и для изучения этих систем можно использовать общий набор математических инструментов.

Чтобы описать детальное поведение системы, состоящей из нескольких сотен до нескольких миллиардов взаимодействующих компонентов, необходима карта схема соединений системы. В системе социальной сети карта представляет точный список ваших друзей, затем друзей этих друзей, и так далее. В WWW эта карта представляет перечень веб-страниц, которые ссылаются друг на друга. В живой клетке карта представляет подробный перечень всех взаимодействий и химических реакций с участием генов, белков и метаболитов.

В прошлом веке у нас не существовало инструментов для сопоставления этих сетей. Столь же трудно было следить за огромным количеством данных, стоящих за этими сетями. Интернет-революция, предложившая эффективные и быстрые методы для цифрового хранения и совместного использования данных, коренным образом изменила нашу способность собирать, объединять и анализировать данные, относящиеся к реальным сетям.

И когда мы получили возможность видеть и сравнивать все эти различные сети, то оказалось, что за феноменом сложности (complexity) скрывается сетевая структура

Сетевая наука и карты

Барабаши: - http://barabasi.com/networksciencebook/

To describe the detailed behavior of a system consisting of hundreds to billions of interacting components, we need a map of the system’s wiring diagram. In the past, we lacked the tools to map these networks. It was equally difficult to keep track of the huge amount of data behind them. The Internet revolution, offering effective and fast data sharing methods and cheap digital storage, fundamentally changed our ability to collect, assemble, share, and analyze data pertaining to real networks. Thanks to these technological advances, at the turn of the millenium we witnessed an explosion of map making

• Чтобы описать подробное поведение системы, содержащей от нескольких сотен до нескольких миллиардов взаимодействующих компонентов, нужна карта соединений компонентов системы. В прошлом не было инструментов для создания карт этих сетей. Столь же трудно было следить за огромным количеством данных, стоящими за картами. Интернет-революция, предложившая эффективные и быстрые методы совместного использования данных и дешевого цифрового хранения, коренным образом изменили нашу способность собирать и анализировать данные, относящиеся к реальным сетям.

Большие данные - Big science of science studies utilize “big data”, i.e., large, complex, diverse, longitudinal, and/or distributed datasets that might be owned by different stakeholders.

Что такое сетевая наука?

Brandes U. [и др.]. What is network science? // Network Science. 2013. № 1 (1). C. 1–15.

В 2013 году начал выходить журнал Network Science и в первом номере авторы озаботились доказательством того, что такая сетевая наука на самом деле есть и у нее свой объект и свои методы исследования. http://www.journals.cambridge.org/abstract_S2050124213000027 Интересно, что в этой же статье они явно увязали сетевую науку и образование. Рассуждают они о разном, а в качестве прикладного примера приводят учебный класс - думать про класс как про сеть, означает думать совершенно определенным образом, это не про 25 отдельных учеников и даже не 300 возможных диад.

By postulating a friendship network in (say) a school classroom of 25 students, we have taken a theoretical step that is non-trivial. We have supposed that separate individuals are not an adequate representation, moreover that even separate dyads are insufficient; rather, that there is a unity within the classroom that makes it proper to talk of “a” network, not 25 children or 300 dyads. To conceptualize the classroom in network terms is an implicit (and strong) claim that connectedness across individual elements is fundamentally important so that the classroom can be thought of as one “system.” If we accept that ontology, scientific inference is available at multiple levels: the students, the dyads, and indeed the network as a whole. Moreover, the inferences at one level cannot be simply combined (e.g., averaged) to derive inferences at other levels; the networked system is more than a simple aggregation of its constituent elements — it is patterned, not summed.

Начиная рассматривать школьный класс из 25 учеников как сеть друзей мы делаем нетривиальный теоретический шаг. Такое рассмотрение означает признание, что рассмотрение класса как множества отдельных индивидов не позволяют адекватно представить и рассмотреть существующую ситуацию. Даже использование отдельных диад для этого недостаточно, поскольку существует некая общность, объединение в классе, о котором нужно говорить именно как о сети, а не как об отдельных 25 детях или о 300 диадах. Осмысление класса в сетевых терминах предполагает неявное (и сильное) утверждение принципиальной важности связей между элементами, которые позволяют рассматривать класс как систему. За принятием сетевой онтологии последуют изменения на всех уровнях научного рассмотрения - и отдельных учеников, и диад и всей сети. Кроме того, выводы на одном уровне не могут быть просто объединены (например, усреднены) для получения выводов на других уровнях; сетевая система больше, чем просто агрегация составляющих его элементов.

Network science & STEM

Как пересекаются STEM и Сетевая наука

Осознание важности сетевой науки привело к тому, что в США и Западной Европе были созданы центры сетевых исследований, а на базе этих центров были организованы учебные курсы для студентов и школьников. При этом сетевая наука рассматривалась и как область знаний, необходимая жителю 21 века и как средство привлечения молодёжи к STEM.

Центры сетевой науки:

• https://cns.ceu.edu/ Центр Сетевой Науки в Центральном Европейском Университете - Венгрия, Будапешт, Барабаши
  • https://en.wikipedia.org/wiki/CEU_Center_for_Network_Science
  • И у них свое определение https://cns.ceu.edu/node/25884 Network science, as a maturing field, offers a unique perspective to tackle complex problems, impenetrable to linear-proportional thinking. Rather than focusing solely on the internal properties of the parts that make up social systems, the network perspective draws attention to the relations between the parts. Network analysis thus complements the classical atomistic Hobbesian social-scientific approach with a perspective that is more in line with how August Comte defined social science, i.e. the study of human relations. The concept of networks has come to pervade modern society. In our everyday experience we routinely use online social network services, we hear reports on the operation of terrorist networks, we notice the cascading disturbances in global finance networks, and we speculate on the six degrees of separation to celebrities and presidents. The science of networks is emerging as a scientific discipline that examines exactly these kinds of interconnections, and many more. Although networks and networking indeed have turned into modern everyday buzzwords, the network-scientific approach - with its formal set of analytical tools - is indeed applicable in the study of almost any spatiotemporal social system and phenomena.

Учебные курсы:

• Network Science: Methods and Applications http://www.cc.gatech.edu/~dovrolis/Courses/NetSci
  • It is often the case that complex systems, both living and man-made, can be represented as static or dynamic networks of many interacting components. These components are typically much simpler in terms of behavior or function than the overall system, implying that the additional complexity of the latter is an emergent network property. Network science is a new discipline that investigates the topology and dynamics of such complex networks, aiming to better understand the behavior, function and properties of the underlying systems. The applications of network science cover physical, informational, biological, cognitive, and social systems. In this course, we will study algorithmic, computational, and statistical methods of network science, as well as applications in communications, biology, ecology, brain science, sociology and economics. The course hopes to attract students from different academic backgrounds and research interests (including math, physics, engineering, biology, neuroscience or sociology).
• https://www.cs.purdue.edu/homes/agebreme/Networks/
  • The course seeks to introduce fundamental elements of the emerging science of complex networks, with emphasis on social and information networks. Students will be introduced to select mathematical and computational methods used to analyze networks, models used to understand and predict behavior of networked systems, and theories used to reason about network dynamics. Students will also be exposed to current research in the field, and they will be given an opportunity to explore a chosen topic through a semester project.

L. Sheetz, V. Dunham, and J. Cooper, “Professional development for network science as a multi-disciplinary curriculum tool,” in 2015 IEEE Integrated STEM Education Conference (ISEC), 2015, pp. 178–182.

• To be successful in the 21st century, students must have a fundamental knowledge of complex networks which allows them to explore the interconnectedness of our world. Network science, a relatively new field of study, represents a fundamental shift away from reductionism to a more complex real world approach to problem solving which looks at interactions between components as well as the components themselves in a system. It is a tool that assists researchers and students to make connections needed to solve complex challenges and integrate abstract ideas.

Network Science - как чудесное средство для вовлечения в STEM

Networks are pervasive across all aspects of life: biological, physical, economic, and social and our society continues to become ever more connected through the use of social media tools that allow for instantaneous and targeted communication and better situation awareness. This inherently interdisciplinary and cross-generational nature makes network science the perfect tool to engage students in STEM fields.

Положения от K. Börner, “STEM: Individual, Local, and Global Flows and Activity Patterns,” ResearchGate, Jan. 2009.

1. Science/Economy/STEM is Global and needs to be understood globally (but optimized locally).
2. STEM is Evolving Dynamically and has to be studied using dynamically evolving (not static) datasets and complex systems approaches.
3. Open Data (also teaching materials) and Open Code empowers many to help increase our understanding of what works and why.

Кати Бёрнер -

• Additionally, the project will collect, integrate and analyze data on network education and its impact on decision making (DM). This data will be used to develop a quantitative model of a dynamic DM network. Developing a cognitive/educational impact model for network based decision making would be substantial contribution in decision sciences.

Сетевая грамотность

Сетевая наука и обучение https://sites.google.com/a/binghamton.edu/netscied/ - Network science in Education

Network literacy - сетевая грамотность

As our world becomes increasingly connected through the use of networks that allow instantaneous communication and the spread of information, the degree of people’s understanding of how these networks work will play a major role in determining how much society will benefit from this heightened connectivity. In short, a networked society requires network literacy: basic knowledge about how networks can be used as a tool for discovery and decision-making, and about both their potential benefits and pitfalls, made accessible for all people living in today’s networked world. Moreover, because even young children interact with networks all day, every day, it is important that network literacy begins at a young age, and because networks are present in all aspects of contemporary life, the consideration of networks should be reflected throughout teaching practice in a cross-disciplinary manner. Yet despite the importance and ubiquity of networks, the study of networks is absent from current educational systems.

Сравнение сетей различного типа

• N - число узлов
• L - число связей
• К - average degree - среднее число связей у узла

см. http://barabasi.com/networksciencebook/chapter/1

Ссылки

1. Scholtes I. Understanding complex systems: When Big Data meets network science // it - Information Technology. 2015. № 4 (57). C. 252–256.
   • http://www.ingoscholtes.net/research/publications
2. http://networkscience.igert.ucsb.edu/
3. Krieger D.J., Belliger A. Interpreting Networks: Hermeneutics, Actor-Network Theory & New Media / D.J. Krieger, A. Belliger, transcript Verlag, 2014. 205 c.
4. http://www.network-science.org/
   • http://www.books.network-science.org/ книги по сетевой науке
5. http://netwiki.amath.unc.edu/ - вики о сетевой науке

Нейробиология - Мозг как сеть

• Rubinov M., Sporns O. Complex network measures of brain connectivity: Uses and interpretations // NeuroImage. 2010. № 3 (52). C. 1059–1069.
  • https://sites.google.com/site/bctnet/
• The Brain as a Complex System: Using Network Science as a Tool for Understanding the Brain https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3621511/ - как одно из направлений нейробиологии
  • This model is appealing to the study of brain connectivity, as the brain can be viewed as a system with various interacting regions that produce complex behaviors. In practice, graph metrics such as clustering coefficient, path length, and efficiency measures are often used to characterize system properties. Centrality metrics such as degree, betweenness, closeness, and eigenvector centrality determine critical areas within the network. Community structure is also essential for understanding network organization and topology.