KarthikRaghavanRamaswamy为他的博士学位辩护。以优异成绩(荣誉)开发新颖的数据驱动建模工具和技术，以提高对复杂网络系统的洞察力，例如高科技机器、电网、生物网络和社交网络。

许多现实生活中的系统，例如生物系统、半导体制造机器和运输系统，正变得越来越复杂。它们包含相互连接的各种子系统(模块)，这使得很难找到这些相互连接的子系统的数学模型。从数据中开发这些“动态网络”的数学模型在各个领域都变得至关重要，并且是设计、诊断、监控和控制这些系统所必需的。通过利用机器学习、贝叶斯方法、系统识别和图论,KarthikRaghavanRamaswamy开发了一个框架，该框架在复杂的动态网络建模迷宫中指导实验者，并为他们提供所需的技术和工具，以开发在不同场景下嵌入动态网络的子系统的高质量模型。

复杂的互连系统正变得越来越普遍，并且被称为动态网络的大规模互连系统的数据驱动建模已引起越来越多的关注。大规模动态网络中许多子系统之间的复杂互连对动态网络的建模提出了很多挑战。这使得最初为小规模系统设计的数据驱动建模的经典方法不足以对大规模动态网络中的单个子系统进行建模。

对动态网络中的子系统进行建模存在许多实际挑战，例如处理混杂变量、增加网络中传感器和执行器放置位置的灵活性、选择正确的模型结构、估计网络的互连结构以及降低复杂性和开发可扩展到大规模网络的有效算法。

KarthikRamaswamy在他的博士论文中解决了这些挑战。研究并通过开发新的估计方法、算法和图形工具提供了解决方案，最终形成了一个分步指南，帮助在动态网络建模方面专业知识有限的人从不同场景下的数据中开发高质量的动态网络模型.他通过利用机器学习、系统识别、贝叶斯方法和图论实现了这一目标。他的博士学位的结果。研究发现它在许多应用中都具有重要意义，例如印刷电路板组装(PCBA)中的故障诊断、半导体机械或印刷机械等高科技系统的监测和诊断、管道监测、大脑连通性推断、车辆排、电网和生物网络。