812
个编辑
更改
跳到导航
跳到搜索
第873行：
第873行： − +
→高阶网络聚类 Higher-Order Macronodes (HOM)
按照该方法进行加和平均，得到的宏观和微观马尔科夫动力学就会满足一致条件。虽然这个方法直观明了，但它的问题在于：在系统演变到平稳分布之前，需要计算每个 <math>t</math> 时刻的状态分布概率 <math>s_j(t)</math>。在达到平稳分布前，直接使用<math>\pi</math>来聚合仍不会满足一致性，因此操作起来比较麻烦；而 HOM 的计算方式则可以解决这个问题。
按照该方法进行加和平均，得到的宏观和微观马尔科夫动力学就会满足一致条件。虽然这个方法直观明了，但它的问题在于：在系统演变到平稳分布之前，需要计算每个 <math>t</math> 时刻的状态分布概率 <math>s_j(t)</math>。在达到平稳分布前，直接使用<math>\pi</math>来聚合仍不会满足一致性，因此操作起来比较麻烦；而 HOM 的计算方式则可以解决这个问题。
===高阶网络聚类 Higher-Order Macronodes (HOM)===
===网络高阶依赖项聚合 Higher-Order Macronodes (HOM)===
在 Klein 等人的论文<ref name=":19">Klein B, Hoel E. The emergence of informative higher scales in complex networks[J]. Complexity, 2020, 20201-12.</ref>，作者采用了高阶依赖项建模（[[HOMs]]）<ref name="HOMs">Xu, J., Wickramarathne, T. L., & Chawla, N. V. Representing higher-order dependencies in networks[J]. Science advances, 2016, 2(5), e1600028.</ref>来对网络节点进行聚合。其目的是保证聚合后的宏观网络与原始微观网络具有相同的随机游走动力学特性。该方法也可以用于合并马尔科夫链的状态。
在 Klein 等人的论文<ref name=":19">Klein B, Hoel E. The emergence of informative higher scales in complex networks[J]. Complexity, 2020, 20201-12.</ref>，作者采用了高阶依赖项建模（[[HOMs]]）<ref name="HOMs">Xu, J., Wickramarathne, T. L., & Chawla, N. V. Representing higher-order dependencies in networks[J]. Science advances, 2016, 2(5), e1600028.</ref>来对网络节点进行聚合。其目的是保证聚合后的宏观网络与原始微观网络具有相同的随机游走动力学特性。该方法也可以用于合并马尔科夫链的状态。