更改

在[[复杂网络中的因果涌现]]词条中我们介绍了如何对一个复杂网络进行粗粒化。好的粗粒化方案是能够保证原始的网络（或转移矩阵）和粗粒化后的网络（或转移矩阵）尽可能地相似的，那么如何保证这种相似性呢？Klein等人在论文<ref>Klein B, Hoel E. The emergence of informative higher scales in complex networks[J]. Complexity, 2020, 20201-12.</ref>提出了一种动力学一致性检验方法，它的基本思想是通过比较粗粒化方案后未曾被分组归并的节点上的概率分布是否和原始的网络一致（用[[KL散度]]来刻画）来判断粗粒化方案的好坏。此外，需要注意的是该方法适用于仅针对一组节点进行归并的情形，当应用于多个分组归并时，则该方法可能难以执行。

在[[复杂网络中的因果涌现]]词条中我们介绍了如何对一个复杂网络进行粗粒化。好的粗粒化方案是能够保证原始的网络（或转移矩阵）和粗粒化后的网络（或转移矩阵）尽可能地相似，那么如何保证这种相似性呢？Klein等人在论文<ref>Klein B, Hoel E. The emergence of informative higher scales in complex networks[J]. Complexity, 2020, 20201-12.</ref>提出了一种动力学一致性检验方法，它的基本思想是通过比较粗粒化方案后未曾被分组归并的节点上的概率分布是否和原始的网络一致（用[[KL散度]]来刻画）来判断粗粒化方案的好坏。此外，需要注意的是该方法适用于仅针对一组节点进行归并的情形，当应用于多个分组归并时，则该方法可能难以执行。