Explore la robustesse anormale dans les réseaux topologiques non réciproques, couvrant les états topologiques de Floquet, les réseaux de diffusion unitaire et les implémentations pratiques.
Couvre le modèle de bloc stochastique pour la détection de la communauté, en se concentrant sur la détection des communautés, des clusters et des groupes.
Explore les graphes de Ramanujan, génère des fonctions, des marches sans retour en arrière et des graphes expandeurs en relation avec les problèmes NP-hard.
Discute des défis à relever pour comparer les données non euclides, proposant une solution laplacienne pour l'alignement des graphiques et l'exploration d'un transport optimal pour le calcul de la distance des graphiques.
Explore les résultats de convergence pour la réversibilité périodique des cas dans les chaînes Markov, couvrant les chaînes irréductibles, la récurrence positive, les processus réversibles et les promenades aléatoires sur des graphiques finis.
Couvre les fondamentaux de la théorie des graphiques, y compris les sommets, les bords, les degrés, les promenades, les graphiques connectés, les cycles et les arbres, en mettant l'accent sur le nombre de bords dans un arbre.
Couvre la théorie de la percolation et les modèles de graphes aléatoires, en explorant les seuils de connectivité et la puissance critique pour les réseaux sans fil.
Explore les fondements théoriques de RDMA et de NVRAM dans les technologies multiprocesseurs, couvrant la discorde, le contrôle de la convergence et la tolérance aux défauts.
