Detailansicht
Statistical mechanics based approach to understanding information flow processes in complex systems
Niklas Reisz
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doktoratsstudium NAWI aus dem Bereich Naturwissenschaften (DissG: Physik)
Betreuer*innen
Stefan Thurner ,
Christoph Dellago
DOI
10.25365/thesis.74243
URN
urn:nbn:at:at-ubw:1-29387.59598.859564-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
In dieser Dissertation untersuchen wir die Diffusion von Information in mehrschichtigen Netzwerken. Wir analysieren verschiedene Aspekte von Diffusionsprozessen und präsentieren unsere Ergebnisse in vier Publikationen und einem Patent. Im ersten Teil unserer Arbeit untersuchen wir Zitationsnetzwerke und analysieren wie wissenschaftliches Wissen im Laufe der Zeit entsteht und wieder vergessen wird. Wir identifizieren zwei Potenzgesetze, die die Wahrscheinlichkeit definieren zitiert zu werden, und prognostizieren die Zitationslandschaft von 2050. Wir konzentrieren uns auch auf Exaptationsereignisse, bei denen vergessene Publikationen in verschiedenen Bereichen wiederentdeckt werden, und stellen eine entropiebasierte Methode vor, um diese zu identifizieren. Als nächstes untersuchen wir die Ausbreitung von Wissen auf geografischer Basis, indem wir uns die Bewegung von Forschern zwischen Institutionen ansehen. Wir stellen fest, dass der Prozess der wissenschaftlichen Wissensakkumulation weltweit ähnlich abläuft und am besten durch eine bevorzugte Bindung beschrieben wird. Im zweiten Teil erweitern wir unsere Ergebnisse auf den Bereich der Musik und untersuchen die Ko-Evolution von Verhaltensmustern und zugrunde liegenden sozialen Netzwerkstrukturen. Wir zeigen, wie Homophilie genutzt werden kann, um Vorhersagen der Song-Popularität von Machine-Learning-Modellen zu verbessern. Wir haben auch ein neues System zur Verfolgung von mehrschichtigen sozialen Interaktionsnetzwerken entworfen und prototypisiert, das in den USA und Japan patentiert wurde. Dieses Tool kann zur Untersuchung und Optimierung des organisatorischen Informationsflusses verwendet werden. Unsere Physik-inspirierte, interdisziplinäre Erforschung von Informationsflussprozessen trägt zu unserem theoretischen Verständnis von Bindungsprozessen in unterschiedlichen Fachbereichen bei und ermöglicht präzise Vorhersagen, die bessere Entscheidungen in der Wissenschaft, der Musikindustrie und der organisatorischer Kommunikation ermöglichen.
Abstract
(Englisch)
In this thesis, we explore the diffusion of information in multilayer networks. We analyze different aspects of diffusion processes and present our findings in four publications and a patent. In the first part of our thesis, we study citation networks and how scientific knowledge is created and forgotten over time. We identify two power laws that define the probability of attracting citations for individual publications and predict the citation landscape of 2050. We also focus on exaptation events, where forgotten papers are rediscovered in different fields, and present an entropy-based method to detect them. Next, we study the diffusion of knowledge on a geographic basis by looking at the movement of researchers between institutions. We find that the process of scientific knowledge accumulation is similar across geographic regions and is best described by preferential attachment. In the second part, we extend our findings to the domain of music, studying the co-evolution of behavioral patterns and underlying social network structures. We show how homophily can be leveraged to enhance machine learning models' predictions of song popularity. We also designed and prototyped a new system for tracking multilayer social interaction networks, which has been patented in the US and Japan. This tool can be used to study and optimize organizational information flow. Our physics-inspired, interdisciplinary exploration of information flow processes contributes to our theoretical understanding of attachment processes across different domains and provides accurate predictions that allow for better decision-making in science, the music industry, and organizational communication.
Schlagwörter
Schlagwörter
(Deutsch)
Physik Informationsflüsse Information Komplexe Systeme Netzwerke Diffusion Komplexitätsforschung Bevorzugte Bindung
Schlagwörter
(Englisch)
physics information flow processes information complex systems networks diffusion complexity science preferential attachment
Autor*innen
Niklas Reisz
Haupttitel (Englisch)
Statistical mechanics based approach to understanding information flow processes in complex systems
Paralleltitel (Deutsch)
Auf statistischer Mechanik basierender Ansatz zum Verständnis von Informationsflussprozessen in komplexen Systemen
Publikationsjahr
2023
Umfangsangabe
xiii, 128 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Roberta Sinatra ,
Vito Claudio Latora
AC Nummer
AC16937465
Utheses ID
66178
Studienkennzahl
UA | 796 | 605 | 411 |