The promise of big data is enormous and nowhere is it more critical than in its potential to contain important, undiscovered interdependence among thousands of variables. Networks have arisen as a powerful tool to detect how different variables are interconnected and how these interconnections mediate the internal workings and dynamics of various physical, chemical, biological, and social systems. Although a number of statistical methods have been developed for network reconstruction, the use of networks to excavate useful information from complex big data poses a conceptual, technical, and computational challenge. Here, we describe recent advances in statistical formalism that can recover mechanistically interpretable and practically applicable networks from wide big data domains. Traditional approaches can only infer an overall network from a number of samples, failing to reveal sample-specific differences. Identifying meaningful networks particularly requires the availability of high-density temporal or perturbed data and their dynamic fitting over time, both of which are hardly met in most big data sectors. The new formalism can particularly extract and tap dynamic information hidden in static data to reconstruct mobile networks without need of temporal data and, thereby, track how topological architecture changes from sample to sample and across time and space scales. We review the establishment principle of this new formalism derived from the seamless integration of ingredients of various disciplines, such as allometric scaling laws, evolutionary game theory, and developmental modularity theory. We show how this formalism can infer fully informative networks, encapsulated by bidirectional, signed, and weighted pairwise and high-order interactions, overcoming the intrinsic limitation of static data for network identification. We propose a general framework to augment a generalized argument for inferring omnidirectional, multilayer, and multispace networks from any high dimension of data and fill gaps in network reconstruction between standard techniques and the current state of the art. This formalism represents a paradigm shifting emerging technology that can make sophisticated networks a more efficient, effective and widespread tool to disentangle natural complexities in the era of big data.

大数据的潜力是巨大的，在包含数以千计的变量之间重要而未发现的相互依存关系的潜力方面，最重要的就是它。网络已经成为一种强大的工具，可以检测不同的变量如何相互联系以及这些相互联系如何介导各种物理，化学，生物和社会系统的内部运作和动态。尽管已经开发了许多用于网络重建的统计方法，但是使用网络从复杂的大数据中挖掘有用的信息仍然带来了概念，技术和计算方面的挑战。在这里，我们描述了统计形式主义的最新进展，这些进展可以从广阔的大数据域中恢复机械上可解释的和实际适用的网络。传统方法只能从多个样本中推断出整个网络，而无法揭示特定于样本的差异。识别有意义的网络特别需要高密度的时间或扰动数据的可用性及其随时间的动态拟合，这在大多数大数据领域都很难满足。新的形式主义可以特别地提取和挖掘隐藏在静态数据中的动态信息，从而无需时间数据即可重建移动网络，从而跟踪拓扑结构在样本之间以及时空尺度上的变化。我们回顾了这种新形式主义的建立原理，这种新形式主义源于各种学科的要素的无缝整合，例如异形比例尺定律，进化博弈论和发展模块化理论。我们将展示这种形式主义如何推断出完全信息化的网络，并通过双向，有符号，加权的成对和高阶交互进行封装，从而克服静态数据用于网络识别的固有局限性。我们提出了一个通用框架，以扩充用于从任何高维度数据推断全向，多层和多空间网络的通用论据，并填补标准技术与当前技术之间网络重构的空白。这种形式主义代表着正在转移的新兴技术的范式，它可以使复杂的网络成为解决大数据时代自然复杂性的更有效，有效和广泛的工具。克服用于网络识别的静态数据的固有限制。我们提出了一个通用框架，以扩充用于从任何高维度数据推断全向，多层和多空间网络的通用论据，并填补标准技术与当前技术之间网络重构的空白。这种形式主义代表着正在转移的新兴技术的范式，它可以使复杂的网络成为解决大数据时代自然复杂性的更有效，有效和广泛的工具。克服用于网络识别的静态数据的固有限制。我们提出了一个通用框架，以扩充用于从任何高维度数据推断全向，多层和多空间网络的通用论据，并填补标准技术与当前技术之间网络重构的空白。这种形式主义代表着正在转移的新兴技术的范式，它可以使复杂的网络成为解决大数据时代自然复杂性的更有效，有效和广泛的工具。以及来自任何高维度数据的多空间网络，并填补了标准技术与当前技术水平之间网络重构的空白。这种形式主义代表着正在转移的新兴技术的范式，它可以使复杂的网络成为解决大数据时代自然复杂性的更有效，有效和广泛的工具。以及来自任何高维度数据的多空间网络，并填补了标准技术与当前技术水平之间网络重构的空白。这种形式主义代表着正在转移的新兴技术的范式，它可以使复杂的网络成为解决大数据时代自然复杂性的更有效，有效和广泛的工具。