摘要翻译：
我们将随机矩阵理论应用于复杂网络。我们证明了各种模型网络，即无标度网络、小世界网络和随机网络的邻接矩阵特征值的最近邻间距分布遵循随机矩阵理论的普遍高斯正交系综统计量。其次，我们给出了由网络结构性质量化的小世界行为的开始与由表征光谱性质的Brody参数量化的从泊松正交系综统计到高斯正交系综统计的转变之间的类比。我们还分析了芽殖酵母中的蛋白质-蛋白质相互作用网络。
---
英文标题：
《Universality in Complex Networks: Random Matrix Analysis》
---
作者：
Jayendra N. Bandyopadhyay and Sarika Jalan
---
最新提交年份：
2007
---
分类信息：

一级分类：Physics        物理学
二级分类：Adaptation and Self-Organizing Systems        自适应和自组织系统
分类描述：Adaptation, self-organizing systems, statistical physics, fluctuating systems, stochastic processes, interacting particle systems, machine learning
自适应，自组织系统，统计物理，波动系统，随机过程，相互作用粒子系统，机器学习
--
一级分类：Physics        物理学
二级分类：Disordered Systems and Neural Networks        无序系统与神经网络
分类描述：Glasses and spin glasses; properties of random, aperiodic and quasiperiodic systems; transport in disordered media; localization; phenomena mediated by defects and disorder; neural networks
眼镜和旋转眼镜；随机、非周期和准周期系统的性质；无序介质中的传输；本地化；由缺陷和无序介导的现象；神经网络
--
一级分类：Physics        物理学
二级分类：Other Condensed Matter        其他凝聚态物质
分类描述：Work in condensed matter that does not fit into the other cond-mat classifications
在不适合其他cond-mat分类的凝聚态物质中工作
--
一级分类：Physics        物理学
二级分类：Statistical Mechanics        统计力学
分类描述：Phase transitions, thermodynamics, field theory, non-equilibrium phenomena, renormalization group and scaling, integrable models, turbulence
相变，热力学，场论，非平衡现象，重整化群和标度，可积模型，湍流
--
一级分类：Physics        物理学
二级分类：Computational Physics        计算物理学
分类描述：All aspects of computational science applied to physics.
应用于物理学的计算科学的各个方面。
--
一级分类：Quantitative Biology        数量生物学
二级分类：Molecular Networks        分子网络
分类描述：Gene regulation, signal transduction, proteomics, metabolomics, gene and enzymatic networks
基因调控、信号转导、蛋白质组学、代谢组学、基因和酶网络
--
一级分类：Quantitative Biology        数量生物学
二级分类：Other Quantitative Biology        其他定量生物学
分类描述：Work in quantitative biology that does not fit into the other q-bio classifications
不适合其他q-bio分类的定量生物学工作
--

---
英文摘要：
  We apply random matrix theory to complex networks. We show that nearest neighbor spacing distribution of the eigenvalues of the adjacency matrices of various model networks, namely scale-free, small-world and random networks follow universal Gaussian orthogonal ensemble statistics of random matrix theory. Secondly we show an analogy between the onset of small-world behavior, quantified by the structural properties of networks, and the transition from Poisson to Gaussian orthogonal ensemble statistics, quantified by Brody parameter characterizing a spectral property. We also present our analysis for a protein-protein interaction network in budding yeast.
---
PDF链接：
https://arxiv.org/pdf/nlin/0608028