مهندسی نوظهوری

شبکه‌های پیچیده یک موضوع تحقیقاتی فریبنده است که به طور فزاینده‌ای برای محققان از سیستم‌های کنترل و حوزه‌های مختلف دیگر در دو دهه گذشته جذاب بوده است. هدف این مقاله بررسی علاقه به کنترل مربوط به تحقیقات شبکه‌های پیچیده در طول زمان از سال 2000 بوده و برای شناسایی روندهای اخیر ممکن است جهت‌های تحقیقاتی جدیدی ایجاد کند. بررسی برای انتشارات Web of Science، Scopus و IEEEXplore مربوط به شبکه‌های پیچیده انجام شد. بر اساس یافته‌های خود، چندین سؤال را در حوزه شبکه‌های پیچیده مطرح کردیم.

کاربرد تکنیک‌های داده کاوی برای طبقه‌بندی داده‌های پزشکی

این مقاله به بررسی شیوه‌های موجود و چشم‌انداز طبقه‌بندی داده‌های پزشکی بر اساس تکنیک‌های داده کاوی می‌پردازد. این روش‌های طبقه‌بندی پیشرفته عمده مورد استفاده برای ارتقا دقت طبقه‌بندی را برجسته می‌کند. تحقیقات گذشته در مورد طبقه‌بندی داده‌های پزشکی با استفاده از تکنیک‌های داده کاوی ارائه کرده است. از تجزیه و تحلیل گسترده ادبیات، مشخص شده است که تکنیک‌های داده کاوی برای کار طبقه‌بندی بسیار موثر است. این مقاله به طور نسبی پیشرفت کنونی طبقه‌بندی داده‌های پزشکی را تحلیل می‌کند. یافته‌های مطالعه نشان داد که طبقه‌بندی موجود داده‌های پزشکی را می‌توان بیشتر بهبود بخشید. با این وجود، باید تحقیقات بیشتری برای تعیین و کاهش ابهامات برای طبقه‌بندی جهت به دست آوردن دقت بهتر انجام شود. 

ترکیب شبکه‌های پیچیده و داده کاوی

قدرت فزاینده فناوری رایانه نیاز به استخراج اطلاعات معنی‌دار از مجموعه داده‌هایی با رشد روزافزون را از بین نمی‌برد و در واقع معمولاً پیچیدگی این وظیفه را تشدید می‌کند. برای مقابله با این مشکل، دو روش، در زمان‌های متفاوت، پدید آمده است که امروزه معمولاً در جامعه علمی استفاده می‌شود: داده کاوی و نظریه شبکه پیچیده. تجزیه و تحلیل شبکه پیچیده و داده کاوی اهداف کلی یکسانی دارند، یعنی استخراج اطلاعات از سیستم‌های پیچیده تا نهایتاً یک بازنمایی کمّی فشرده جدید ایجاد می‌کنند، اما آنها اغلب مشکلات مشابه را نیز برطرف می‌کنند. در مواجهه با این مسئله، تعداد کمی از محققین به این نتیجه می‌رسند که به هر دو روش متوسل شوند. ممکن است محققان نتیجه بگیرند که این دو زمینه یا تا حد زیادی زائد یا کاملاً متضاد هستند. نقطه شروع این بررسی این که باید تفاوت‌های احتمالی و نه مفهومی درنظر گرفته شوند، و اینکه این دو زمینه در واقع به صورت هم‌افزایی استفاده شود می‌توانند سودمند باشند. ابتدا یک مرور کلی از هر دو زمینه ارائه شده است، برخی از مفاهیم اساسی که به تصویر کشیده شده‌اند. زمینه‌های گوناگونی که نظریه شبکه پیچیده و داده کاوی در آنها بوده است سپس به صورت هم افزایی استفاده شده است. زمینه‌هایی که در آن ادغام مناسب معیارهای شبکه پیچیده است می‌تواند منجر به بهبود نرخ طبقه‌بندی با توجه به الگوریتم های داده کاوی کلاسیک شود و برعکس، زمینه‌هایی که در آن داده کاوی می‌تواند برای مقابله با مسائل مهم در شبکه‌های پیچیده استفاده شود کاربردهای تئوری نشان داده شده است. در نهایت، راه هایی برای دستیابی به یکپارچگی بیشتر بین شبکه‌های پیچیده و داده کاوی، و خطوط باز تحقیق مورد بحث قرار می‌گیرد.