2,464
个编辑
更改
跳到导航
跳到搜索
第85行：
第85行： − +
→贪婪算法
为了识别复杂网络中的因果涌现，需要对网络进行[[粗粒化]]，然后比较宏观网络与微观网络的有效信息，判断能否发生因果涌现。粗粒化方法包括：[[贪婪算法]]、[[谱分解方法]]以及[[梯度下降]]方法。Klein等人<ref name=":0" />利用贪婪算法构建了宏观尺度的网络，发现对于大规模网络其效率很低。Griebenow 等人<ref>Griebenow R, Klein B, Hoel E. Finding the right scale of a network: efficient identification of causal emergence through spectral clustering[J]. arXiv preprint arXiv:190807565, 2019.</ref>提出了一种基于谱分解的方法，并应用于[[偏好依附网络]]。相较于贪婪算法以及梯度下降算法，谱分解算法的计算时间更少，同时找到的宏观网络也更好（EI更大）。
为了识别复杂网络中的因果涌现，需要对网络进行[[粗粒化]]，然后比较宏观网络与微观网络的有效信息，判断能否发生因果涌现。粗粒化方法包括：[[贪婪算法]]、[[谱分解方法]]以及[[梯度下降]]方法。Klein等人<ref name=":0" />利用贪婪算法构建了宏观尺度的网络，发现对于大规模网络其效率很低。Griebenow 等人<ref>Griebenow R, Klein B, Hoel E. Finding the right scale of a network: efficient identification of causal emergence through spectral clustering[J]. arXiv preprint arXiv:190807565, 2019.</ref>提出了一种基于谱分解的方法，并应用于[[偏好依附网络]]。相较于贪婪算法以及梯度下降算法，谱分解算法的计算时间更少，同时找到的宏观网络也更好（EI更大）。
====贪婪算法====
====贪婪算法====
输入：网络<math>A</math>；输出：
# 初始化一个队列，随机选择一个节点<math>v_i</math>(没有访问过的), 将<math>v_i</math>所属的邻域([[马尔可夫毯]] )<math>B_{v_i}</math> 中的节点加入队列中
# 初始化一个队列，随机选择一个节点<math>v_i</math>(没有访问过的), 将<math>v_i</math>所属的邻域([[马尔可夫毯]] )<math>B_{v_i}</math> 中的节点加入队列中
# 初始时<math>v_{\mu}</math>=<math>v_i</math>
# 初始时<math>v_{\mu}</math>=<math>v_i</math>