3,165
个编辑
更改
跳到导航
跳到搜索
第144行：
第144行： − + − − <math>inconsistency=\sum_{t=1}^T D_{KL}[P_M(t)||P_M(t)]</math> 第156行：
第154行： + +
→检验动力学的一致性
[[动力学的一致性检验]]可以进一步验证[[HOMs]]方法的有效性。它的基本思想是，比较宏微观网络节点在任意时刻t的概率分布的[[KL散度]]之和。
[[动力学的一致性检验]]可以进一步验证[[HOMs]]方法的有效性。它的基本思想是，比较宏微观网络节点在任意时刻t的概率分布的[[KL散度]]之和。
在微观网络<math>A</math>与宏观网络<math>B</math>上进行[[随机游走]]，在未来某个时间<math>t </math> ， <math>A</math>上的预期分布为 <math>P_m(t) </math>， <math>B</math>上的预期分布为 <math>P_M(t) </math>。将<math>P_m(t) </math>分布叠加到宏观上<math>G_M </math>的相同节点上，得到<math>P_{M|m}(t) </math>分布。用<math>P_M(t) </math>和<math>P_{M|m}(t) </math>之间的KL散度来衡量其不一致性（inconsistency），若结果为零则动力学一致。公式为：
在微观网络<math>A</math>与宏观网络<math>B</math>上进行[[随机游走]]，在未来某个时间<math>t </math> ， <math>A</math>上的预期分布为 <math>P_m(t) </math>， <math>B</math>上的预期分布为 <math>P_M(t) </math>。将<math>P_m(t) </math>分布叠加到宏观上<math>G_M </math>的相同节点上，得到<math>P_{M|m}(t) </math>分布。
计算动力学的一致性检验的具体步骤如下：
计算动力学的一致性检验的具体步骤如下：
## <math>S_m(t) = (T_A^t)^T S_m(0)</math>, 初始化一个长度为Z+1的分布<math>P_m(t) </math>, 其中<math>P_m(t) </math>的前Z个位置的数值等于<math>S_m(t)</math>中对应的Z个没有进行粗粒化的节点位置的值，<math>P_m(t) </math>中的第Z+1位置的数值等于<math>1-\sum_{i=1}^Z p^i_m(t) </math>
## <math>S_m(t) = (T_A^t)^T S_m(0)</math>, 初始化一个长度为Z+1的分布<math>P_m(t) </math>, 其中<math>P_m(t) </math>的前Z个位置的数值等于<math>S_m(t)</math>中对应的Z个没有进行粗粒化的节点位置的值，<math>P_m(t) </math>中的第Z+1位置的数值等于<math>1-\sum_{i=1}^Z p^i_m(t) </math>
## <math>S_M(t) = (T_B^t)^T S_M(0)</math>, 初始化一个长度为Z+1的分布<math>P_M(t) </math>, 其中<math>P_M(t) </math>的前Z个位置的数值等于<math>S_M(t)</math>中对应的Z个没有进行粗粒化的节点位置的值，<math>P_M(t) </math>中的第Z+1位置的数值等于<math>1-\sum_{i=1}^Z p^i_M(t) </math>
## <math>S_M(t) = (T_B^t)^T S_M(0)</math>, 初始化一个长度为Z+1的分布<math>P_M(t) </math>, 其中<math>P_M(t) </math>的前Z个位置的数值等于<math>S_M(t)</math>中对应的Z个没有进行粗粒化的节点位置的值，<math>P_M(t) </math>中的第Z+1位置的数值等于<math>1-\sum_{i=1}^Z p^i_M(t) </math>
# 使用<math>P_M(t) </math>和<math>P_{M|m}(t) </math>之间的KL散度来衡量其不一致性（inconsistency），若结果为零则动力学一致， 公式为<math>inconsistency=\sum_{t=1}^T D_{KL}[P_M(t)||P_M(t)]</math>
实验发现，针对[[偏好依附网络]]来说，在不同节点规模以及参数下的粗粒化后的宏观网络的不一致性会随着迭代步数的增加都会收敛到0。
实验发现，针对[[偏好依附网络]]来说，在不同节点规模以及参数下的粗粒化后的宏观网络的不一致性会随着迭代步数的增加都会收敛到0。