3,094
个编辑
更改
跳到导航
跳到搜索
第543行：
第543行： − + 第549行：
第549行： − +
→动力学一致性
==动力学一致性==
==动力学一致性==
好的粗粒化方案，应当尽可能保证原始网络（或转移矩阵）和粗粒化后网络（或转移矩阵）彼此相似。Erik Hoel 和 Klein <ref name=":19" /> 提出使用动力学一致性来衡量状态轨迹在原始网络和粗粒化后网络上的一致程度。详情请见[[复杂网络中的因果涌现]]词条。
好的粗粒化方案，应当尽可能保证原始网络（或转移矩阵）和粗粒化后网络（或转移矩阵）彼此相似。Erik Hoel 和 Klein <ref name=":19" /> 提出使用动力学一致性来衡量状态轨迹在原始网络和粗粒化后网络上的一致程度，因此可以用'''动力学一致性作为判断粗粒化方案合理性的标准'''。详情请见[[复杂网络中的因果涌现]]词条。
以下关于[[动力学的一致性检验]]的描述节选自[[复杂网络中的因果涌现]]：
以下关于[[动力学的一致性检验]]的描述节选自[[复杂网络中的因果涌现]]：
定义微观网络 <math>G</math> 与宏观网络 <math>G_M</math>，分别在两个网络上进行[[随机游走]]。在某个时间 <math>t</math>，<math>G</math> 上的预期分布为 <math>P_m(t)</math>，而 <math>G_M</math> 上的预期分布为 <math>P_M(t)</math>。
定义微观网络 <math>G</math> 与宏观网络 <math>G_M</math>，分别在两个网络上进行[[随机游走]]。在某个时间 <math>t</math>，<math>G</math> 上的预期分布为 <math>P_m(t)</math>，而 <math>G_M</math> 上的预期分布为 <math>P_M(t)</math>。
将 <math>P_m(t)</math> 分布叠加到宏观网络 <math>G_M</math> 的相同节点上，得到 <math>P_{M|m}(t)</math> 分布。通过计算 <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）。如果结果为零，则表示动力学一致。公式如下：
将 <math>P_m(t)</math> 分布叠加到宏观网络 <math>G_M</math> 的相同节点上，得到 <math>P_{M|m}(t)</math> 分布。通过计算 <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）。'''如果KL散度结果为零，则表示动力学一致'''。公式如下：
<math>inconsistency=\sum_{t=0}^T D_{KL}[P_M(t)||P_{M|m}(t)]</math>
<math>inconsistency=\sum_{t=0}^T D_{KL}[P_M(t)||P_{M|m}(t)]</math>