第33行: |
第33行: |
| | | |
| ==粗粒化复杂网络== | | ==粗粒化复杂网络== |
− | 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。
| + | 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识别偏好依赖网络中的因果涌现。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最少,同时找到宏观网络的因果涌现也更加显著。 |
| ===贪婪算法=== | | ===贪婪算法=== |
| | | |
第85行: |
第85行: |
| <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> |
| | | |
− | ==实验分析== | + | ==复杂网络中的因果特性== |
− | 该工作<ref name=":0" />在随机(ER)、偏好依赖(PA)等人工网络,以及 4 类真实网络中做了试验。
| + | 2020年Klein等人在一篇论文<ref name=":0" />中分析了随机(ER)、偏好依赖(PA)等人工网络,以及生物、社会、信息和技术4类真实网络的因果特性。 |
| | | |
− | 对于ER网络,有效信息的大小只依赖连接概率 <math>p </math>,并且随着网络规模的增大会收敛到<math>-log_2p </math>。在某点之后,随机网络结构不会随着其规模的增加而包含更多的信息,这个相变点近似在网络的平均度 <math><k> </math>=<math>log_2N </math> 的位置。随着ER网络连接概率的增大,巨连通集团相变点位置对应出现,如图a所示。
| + | === 人工网络的因果特性 === |
| + | 1)对于ER网络,有效信息的大小只依赖连接概率 <math>p </math>,并且随着网络规模的增大会收敛到<math>-log_2p </math>。在某点之后,随机网络结构不会随着其规模的增加而包含更多的信息,这个相变点近似在网络的平均度 <math><k> </math>=<math>log_2N </math> 的位置。随着ER网络连接概率的增大,巨连通集团相变点位置对应出现,如图a所示。 |
| | | |
− | 对于PA 网络:<math>\alpha<1.0 </math>时,有效信息的大小随着网络规模的增加而增大;<math>\alpha>1.0 </math>时,结论相反; <math>\alpha=1.0 </math>对应的无标度网络则是增长的临界边界,如图b所示。
| + | 2)对于PA 网络:<math>\alpha<1.0 </math>时,有效信息的大小随着网络规模的增加而增大;<math>\alpha>1.0 </math>时,结论相反; <math>\alpha=1.0 </math>对应的无标度网络则是增长的临界边界,如图b所示。 |
| | | |
| + | === 真实网络的因果特性 === |
| 对于真实网络,生物网络因为具有很大的噪声,所以有效信息最低,通过有效的粗粒化能去除这些噪声。相较于其他类型,因果涌现最显著;技术类型网络是更稀疏、非简并的网络,因此,平均效率更高,节点关系更加具体,所有有效信息也最多,如图c、d所示。 | | 对于真实网络,生物网络因为具有很大的噪声,所以有效信息最低,通过有效的粗粒化能去除这些噪声。相较于其他类型,因果涌现最显著;技术类型网络是更稀疏、非简并的网络,因此,平均效率更高,节点关系更加具体,所有有效信息也最多,如图c、d所示。 |
| | | |
− | 此外,还利用贪婪算法构建了宏观尺度的网络,对于大规模网络其效率很低。Griebenow 等<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>提出了一种基于谱聚类的方法识别偏好依附网络中的因果涌现。相较于贪婪算法以及梯度下降算法,谱聚类算法的计算时间最少,同时找到宏观网络的因果涌现也更加显著。
| |
| [[文件:结果.png|居中|700x600像素|实验结果|缩略图]] | | [[文件:结果.png|居中|700x600像素|实验结果|缩略图]] |
| | | |