Voici la bibliographie académique complète et restructurée, incluant les liens d'accès directs (DOI, archives ouvertes ou portails institutionnels) pour chaque langue et domaine d'étude mathématique. | Langue | Domaine Mathématique | Auteur(s) & Titre de la publication | Lien d'accès direct | |---|---|---|---| | Anglais | Désobfuscation | Narayanan & Shmatikov (2009). De-anonymizing Social Networks. (Étude fondatrice sur la topologie). | doi.org/10.1109/SP.2009.22 | | Anglais | Causalité (Absence de liens) | Pearl, J. (2009). Causality: Models, Reasoning, and Inference. (La bible du do-calculus). | doi.org/10.1017/CBO9780511803161 | | Français | Obfuscation | Campan & Truta (2008). Data and Structural k-Anonymity in Social Networks. (Mathématiques de l'anonymat k-degré). | doi.org/10.1007/978-3-540-70504-8_27 | | Allemand | Causalité Algorithmique | Peters, Janzing & Schölkopf (2017). Elements of Causal Inference. (Institut Max Planck - Mathématiques d'apprentissage). | arxiv.org/abs/1511.00860 | | Russe | Théorie des Réseaux | Korshunov, A., et al. (2012). Анализ социальных сетей: методы и приложения (Analyse des réseaux sociaux). | cyberleninka.ru/article/n/analiz-sotsialnyh-setey... | | Japonais | Causalité (Modèle LiNGAM) | Shimizu, S. (2006/2014). A Linear Non-Gaussian Acyclic Model for Causal Discovery. | jmlr.org/papers/v7/shimizu06a.html | | Hébreu | Inférence Causale | Bareinboim, E. (Ancien du Technion). Causal Inference Lab. (Publications sur la fusion de données observationnelles). | causalai.net | | Ukrainien | Réseaux Complexes | Zgurovsky, M. Z. (KPI Igor Sikorsky). Base d'archives électroniques sur l'analyse systémique. | ela.kpi.ua | Synthèse des solutions mathématiques issues de ces sources : * Pour désobfusquer un réseau brouillé : Les travaux de Narayanan et Campan démontrent l'utilisation du Théorème d'Erdős-Gallai et de la minimisation des pénalités structurelles pour identifier les faux liens ajoutés intentionnellement (k-anonymat) en analysant les séquences de degrés des nœuds. * Pour pallier l'absence de liens de causalité/conséquence : Les travaux de Pearl, Peters et Shimizu contournent le manque d'arêtes explicites en appliquant l'Analyse en Composantes Indépendantes (ICA). Si les perturbations (erreurs) du réseau sont non-gaussiennes, les algorithmes (comme LiNGAM ou PC) analysent la matrice de covariance pour recalculer mathématiquement la direction stricte d'une relation.
Comments
0 B
|0 👍
/0 👎
0 B
|0 👍
/0 👎