107
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − + − + − + − + + + 第17行：
第19行： + 第42行：
第45行： − + 第81行：
第84行： − 假设马尔科夫链的概率转移矩阵为P，奇异值为<math>+ 第103行：
第106行： − + 第124行：
第127行： − + 第142行：
第145行： − 在实践中，我们总是取<math>+ 第148行：
第151行： − + − 考虑到<math>+ − \alpha=1 − </math>的重要性，我们将主要展示<math> − \alpha=1 − </math>的结果，在下文中，我们将<math> 第185行：
第184行： − + 第197行：
第196行： − 定理4：对于任何TPM P，其有效信息EI的上限为<math>\frac{2}{\alpha}\log{\Gamma_{\alpha}}</math>，下限为<math>+ 第212行：
第211行： − − + 第269行：
第267行： − 在2.3节中，我们推导出EI的上界和下界分别是<math>\log{\Gamma_{\alpha}}+ − + − + − 我们在由三种不同方法生成的各种归一化TPM 上比较了<math>+ − + − + − 我们还在图1(a)和(b)中用红色虚线表示了 EI 的上下限。不过，在图1（c）中，由于所有点都集中在一个小区域内，因此看不到理论边界线。根据经验，图1 中灰色断线所示的对数<math>\log{\Gamma_{\alpha}}+ − + 第300行：
第298行： − + − 尽管已经发现 EI 和<math>+ − \Gamma_{\alpha} − </math>之间存在深层联系，但这两个指标之间仍然存在差异。 − − + 第312行：
第307行： − 可以通过以下数值实验来验证这一点：我们可以通过将线性相关行向量与线性独立行向量混合来创建TPM，其中独立向量的数量或等级是受控参数。最初，我们生成r个独立的 one-hot 向量，然后使用与附录B.1中描述的相同方法软化这些行向量，软化程度由<math>+ − + 第352行：
第347行： − + 第358行：
第353行： − + 第364行：
第359行： − + − 虽然无需粗粒化也能定义和量化清晰或模糊的因果涌现现象，但需要对原始系统进行更简单的粗粒化描述，以便与 EI 得出的结果进行比较。因此，我们还提供了一种基于P的奇异值分解的简明粗粒度方法，以获得宏观层面的简化TPM。其基本思想是将 P 中的行向量 <math>+ 第374行：
第369行： − 粗粒化方法包括五个步骤：1) 对TPM进行SVD分解；2)选择一个<math>+ 第389行：
第384行： − + − 我们在图2 和图3 所示的所有示例中测试了我们的方法。首先，对于根据图2(d) 和 (g) 所示的相同布尔网络模型生成的两个 TPM，其粗 TPM 分别如图2(f)和(i)所示。从TPM和投影矩阵<math>+ 第398行：
第393行： − + 第415行：
第410行： − 引理1：对于一个概率转移矩阵TPM <math>P=(P_{1}，P_{2}，...,P_{N})^{T}</math>，其中<math>P_{i}</math>是第i个行向量，那么：+ 第421行：
第416行： − + 第434行：
第429行： − 引理2：对于TPM P，我们可以用如下形式书写：+ 第456行：
第451行： − + 第535行：
第530行： − 引理3：对于给定的TPM P ，任何<math>\alpha\in (0, 2) </math>的动态可逆性<math>\Gamma_{\alpha}</math>的度量小于或等于系统的大小 N 。 − 证明：因为<math>0\le\alpha\le 2</math>，所以<math>f(x)=x^{\alpha /2}</math>是凹函数，根据命题 4，我们有：+ + + 第567行：
第563行： − 引理5：对于任何<math>x_{i}\ge 0,\forall i \in [1,N]</math>且<math>\alpha>0</math>,<math>f(\alpha)=(\sum_{i=1}^{N} x_{i}^{\alpha})^{1/\alpha}+ 第585行：
第581行： + +
无编辑摘要
[[基于可逆性的因果涌现理论]]是一种量化[[因果涌现 Causal Emergence|因果涌现]]强度的新框架，该方法基于奇异值分解和动力学可逆性的概念，提出了近似动力学可逆性<math>
[[基于可逆性的因果涌现理论]]是一种量化[[因果涌现 Causal Emergence|因果涌现]]的新框架，该方法基于奇异值分解和动力学可逆性的概念，提出了近似动力学可逆性的概念：<math>
\Gamma_{\alpha}
\Gamma_{\alpha}
</math>，<math>
</math>，<math>
\Gamma_{\alpha}
\Gamma_{\alpha}
</math>可用于量化因果涌现的强度。经过理论推导和数值实验证明，在对因果涌现的判断和量化上，该理论与基于[[有效信息]](EI)的因果涌现理论具有相同的效果，且<math>
</math>可用于量化因果涌现的强度。经过理论推导和数值实验证明，在对因果涌现的判断和量化上，该理论与Eric Hoel等人提出的基于[[有效信息]](EI)的因果涌现理论具有相同的效果，且<math>
\Gamma_{\alpha}
log\Gamma_{\alpha}
</math>和EI在多个方面存在相似之处。此外，该理论还提出了基于SVD的粗粒化方法并进行实验，证明了该粗粒化方法的有效性。
</math>和EI在多个方面存在联系。此外，该理论还提出了基于SVD分解的粗粒化方法，并通过实验证明了该方法的有效性。
==简介==
==简介==
基于可逆性的因果涌现理论的核心概念是近似动力学可逆性：
基于可逆性的因果涌现理论的核心概念是近似动力学可逆性：
<math>\begin{align}
<math>\begin{align}
\Gamma_{\alpha}=\sum_{i=1}^{N}\sigma_{i}^{\alpha}\tag{3}\end{align}
\Gamma_{\alpha}=\sum_{i=1}^{N}\sigma_{i}^{\alpha}\tag{3}\end{align}
</math>
</math>
其中<math>
其中<math>
\sigma_{i}
\sigma_{i}
\alpha\in(0,2)
\alpha\in(0,2)
</math>是参数。
</math>是参数。
借助<math>
借助<math>
\Gamma_{\alpha}
\Gamma_{\alpha}
</math>和对应的TPM P，当且仅当P是置换矩阵的时候，P是严格动力学可逆的。
</math>和对应的TPM P，当且仅当P是置换矩阵的时候，P是严格动力学可逆的。
证明见参考文献<ref name="Zhangjiang">Zhang, Jiang, Ruyi Tao, and Bing Yuan. "Dynamical Reversibility and A New Theory of Causal Emergence." arXiv preprint arXiv:2402.15054 (2024).</ref>
证明见参考文献<ref name="Zhangjiang">Zhang, Jiang, Ruyi Tao, and Bing Yuan. "Dynamical Reversibility and A New Theory of Causal Emergence." arXiv preprint arXiv:2402.15054 (2024).</ref>
纯粹的置换矩阵在所有可能的TPM中非常稀少，所以大多数的TPM并不是严格动力学可逆的。因此，需要一个指标来刻画任意一个TPM接近动力学可逆的程度。
纯粹的置换矩阵在所有可能的TPM中非常稀少，所以大多数的TPM并不是严格动力学可逆的。因此，需要一个指标来刻画任意一个TPM接近动力学可逆的程度。
下面定义矩阵P的近似动力学可逆性：
下面定义矩阵P的近似动力学可逆性：
假设马尔科夫链的TPM为P，奇异值为<math>
(\sigma_{1}\ge\sigma_{2}\ge...\ge\sigma_{N}\ge0)
(\sigma_{1}\ge\sigma_{2}\ge...\ge\sigma_{N}\ge0)
</math>，那么矩阵P的<math>
</math>，那么矩阵P的<math>
</math>时，<math>
</math>时，<math>
\Gamma_{\alpha}
\Gamma_{\alpha}
</math>是P的[[准范数]]（quasinorm）<ref>Schatten norm from Wikipedia. https://en.wikipedia.org/wiki/Schatten norm</ref><ref>Recht, B., Fazel, M., Parrilo, P.A.: Guaranteed minimum-rank solutions of linear matrix equations via nuclear norm minimization. SIAM review 52(3), 471–501 (2010)</ref><ref>Chi, Y., Lu, Y.M., Chen, Y.: Nonconvex optimization meets low-rank matrix factorization: An overview. IEEE Transactions on Signal Processing 67(20), 52395269 (2019)</ref><ref name=Cui>Cui, S., Wang, S., Zhuo, J., Li, L., Huang, Q., Tian, Q.: Towards discriminability and diversity: Batch nuclear-norm maximization under label insufficient situations. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 3941–3950 (2020)</ref>。
</math>是P的[[准范数]]（quasinorm）<ref>Schatten norm from Wikipedia. https://en.wikipedia.org/wiki/Schatten norm</ref><ref>Recht, B., Fazel, M., Parrilo, P.A.: Guaranteed minimum-rank solutions of linear matrix equations via nuclear norm minimization. SIAM review 52(3), 471–501 (2010)</ref><ref>Chi, Y., Lu, Y.M., Chen, Y.: Nonconvex optimization meets low-rank matrix factorization: An overview. IEEE Transactions on Signal Processing 67(20), 52395269 (2019)</ref><ref name="Cui">Cui, S., Wang, S., Zhuo, J., Li, L., Huang, Q., Tian, Q.: Towards discriminability and diversity: Batch nuclear-norm maximization under label insufficient situations. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 3941–3950 (2020)</ref>。
使用这个定义来刻画近似动力学可逆性是合理的，因为完全动力学可逆性可以通过最大化<math>
使用这个定义来刻画近似动力学可逆性是合理的，因为完全动力学可逆性可以通过最大化<math>
通过调整参数<math>
通过调整参数<math>
\alpha\in(0,2)
\alpha\in(0,2)
</math>，我们可以使更好地反映P的确定性或者简并性。当<math>
</math>，可以使更好地反映P的确定性或者简并性。当<math>
\Gamma_{\alpha}\to0,\Gamma_{\alpha}
\Gamma_{\alpha}\to0,\Gamma_{\alpha}
</math>收敛到P的秩，这类似于EI定义中的非简并项，因为随着P越来越退化，r越来越小。然而，定义不允许<math>
</math>收敛到P的秩，这类似于EI定义中的非简并项，因为随着P越来越退化，r越来越小。然而，定义不允许<math>
</math>与EI定义中的确定性项具有可比性，因为当P具有越来越多的one-hot向量，P的中的最大转移概率也会变得更大，意味着动力学变得更加可逆。
</math>与EI定义中的确定性项具有可比性，因为当P具有越来越多的one-hot向量，P的中的最大转移概率也会变得更大，意味着动力学变得更加可逆。
在实践中总是取<math>
\alpha=1
\alpha=1
</math>来平衡<math>
</math>来平衡<math>
</math>测量确定性和简并性的倾向，<math>
</math>测量确定性和简并性的倾向，<math>
\Gamma_{\alpha=1}
\Gamma_{\alpha=1}
</math>被称为核范数<ref name=Cui /><ref>Fazel, M.: Matrix rank minimization with applications. PhD thesis, PhD thesis, Stanford University (2002)</ref>。
</math>被称为核范数<ref name="Cui" /><ref>Fazel, M.: Matrix rank minimization with applications. PhD thesis, PhD thesis, Stanford University (2002)</ref>。
为简便，下文中将<math>
\Gamma_{\alpha=1}
\Gamma_{\alpha=1}
</math>记作<math>
</math>记作<math>
</math>。它们还有相同的最大值<math>\log{N}</math>，最大值点对应于P是一个置换矩阵。
</math>。它们还有相同的最大值<math>\log{N}</math>，最大值点对应于P是一个置换矩阵。
证明见参考文献<ref name="Zhangjiang" />附录A.3
证明见参考文献<ref name="Zhangjiang" />附录A.3。
因此当P是可逆的（置换矩阵）时，<math>
因此当P是可逆的（置换矩阵）时，<math>
</math>并不是EI的唯一最小点,对于任何满足<math>P_{i}=P_{j},\forall{i}\in{[1,N]}</math>的TPM都能使EI=0.其次EI的上限和下限都是<math>\log{\Gamma_{\alpha}}</math>的线性项。这一点由下面的定理证明。
</math>并不是EI的唯一最小点,对于任何满足<math>P_{i}=P_{j},\forall{i}\in{[1,N]}</math>的TPM都能使EI=0.其次EI的上限和下限都是<math>\log{\Gamma_{\alpha}}</math>的线性项。这一点由下面的定理证明。
'''定理4：'''对于任何TPM P，其有效信息EI的上限为<math>\frac{2}{\alpha}\log{\Gamma_{\alpha}}</math>，下限为<math>
\log{\Gamma_{\alpha}}-\log{N}</math>.
\log{\Gamma_{\alpha}}-\log{N}</math>.
EI\sim\log\Gamma_{\alpha}.
EI\sim\log\Gamma_{\alpha}.
</math>
</math>
===清晰因果涌现===
===清晰因果涌现===
对于具有TPM P的给定马尔可夫链<math>
对于具有TPM P的给定马尔可夫链<math>
\chi
\chi
</math>，如果<math>r≡rank(P)<N</math>，则该系统中会出现明显的因果涌现。且因果涌现的程度为：
</math>，如果<math>r≡rank(P)<N</math>，则该系统中会出现明显的因果涌现。且因果涌现的程度为：
<math>
<math>
\Delta\Gamma_{\alpha}=\Gamma_{\alpha}\cdot(\frac{1}{r}-\frac{1}{N})
\Delta\Gamma_{\alpha}=\Gamma_{\alpha}\cdot(\frac{1}{r}-\frac{1}{N})
===相似性===
===相似性===
根据定理4，EI的上界和下界分别是<math>\log{\Gamma_{\alpha}}
</math>的线性项，并推测了两者的近似关系：<math>
</math>的线性项。由此还可以推测两者具有近似关系：<math>
EI\sim\log{\Gamma_{\alpha}}
EI\sim\log{\Gamma_{\alpha}}
</math>。接下来我们将通过数值模拟证明这一点。
</math>。下面通过数值模拟说明这一点。
如图1 所示，在由三种不同方法生成的各种归一化的TPM 上比较了<math>
\log{\Gamma_{\alpha}}
\log{\Gamma_{\alpha}}
</math>和 EI：1）软化置换矩阵；2）软化退化矩阵；3）完全随机矩阵。这些生成模型的详情见附录 B。结果如图1 所示。如图1(a)、(b)和(c)所示，在所有这些例子中都观察到了正相关性，并且在N ≫ 1 时，<math>
</math>和 EI：1）软化置换矩阵；2）软化退化矩阵；3）完全随机矩阵。图1(a)、(b)和(c)表明，在这些例子中都观察到了正相关性，并且在N ≫ 1 时，<math>
EI\sim\log{\Gamma_{\alpha}}.
EI\sim\log{\Gamma_{\alpha}}.
</math>的近似关系得到了证实。在图1(a) 和 (b) 中可以明显观察到这种关系，但在图1(b) 中，由于覆盖了有限的<math>
</math>的近似关系得到了证实。在图1(a) 和 (b) 中可以明显观察到这种关系，但在图1(b) 中，由于覆盖了有限的<math>
\Gamma
\Gamma
</math>值区域，这种关系退化为近似线性关系。关于不同α的更多结果，请参阅附录B.1节。
</math>值区域，这种关系退化为近似线性关系。
图1(a)和(b)中用红色虚线表示了 EI 的上下限。不过，在图1（c）中，由于所有点都集中在一个小区域内，因此看不到理论边界线。根据经验，图1 中灰色断线所示的对数<math>\log{\Gamma_{\alpha}}
</math>的EI上限更为严格。因此，我们推测 <math>EI\le\log{\Gamma_{\alpha}}
</math>的EI上限更为严格。因此可以推测 <math>EI\le\log{\Gamma_{\alpha}}
</math>这一新关系是成立的，但其严密性有待今后的工作来证明。
</math>这一新关系是成立的，但其严密性有待今后的工作来证明。
[[文件:截屏2024-08-11 18.32.26.png|居中|缩略图|773x773px|图1|替代=]]
[[文件:截屏2024-08-11 18.32.26.png|居中|缩略图|773x773px|图1|替代=]]
===不同 ===
===不同===
首先，EI 通过KL散度来量化每个行向量与P的平均行向量之间的差异。换句话说，EI衡量的是行向量之间的相似性。相反，<math>
首先，EI 通过KL散度来量化每个行向量与P的平均行向量之间的差异。换句话说，EI衡量行向量之间的相似性。相反，<math>
\Gamma_{\alpha}
\Gamma_{\alpha}
</math>评估动态可逆性，特别是当<math>
</math>评估的是动力学可逆性，特别是当<math>
\alpha
\alpha
<nowiki></math>接近 0 时，这与行向量之间的线性相互依赖性相关。虽然行向量的线性相互依赖性表明它们的相似性——这意味着两个相同的行向量是线性相关的，但反之则不一定成立。因此，<math>
<nowiki></math>接近 0 时，这与行向量之间的线性相互依赖性相关。虽然行向量的线性相互依赖性表明它们的相似性——这意味着两个相同的行向量是线性相关的，但反之则不一定成立。因此，<math>
</math>不仅捕获了行向量之间的相似性，而且还捕获了P与动态可逆矩阵的接近度。相比之下，EI无法完成这个任务。
</math>不仅捕获了行向量之间的相似性，而且还捕获了P与动态可逆矩阵的接近度。相比之下，EI无法完成这个任务。
可以通过以下数值实验来验证这一点：可以通过将线性相关行向量与线性独立行向量混合来创建TPM，其中独立向量的数量或等级是受控参数。首先，生成r个独立的 one-hot 向量，然后软化这些行向量，软化程度由<math>
\sigma</math>确定。随后，我们通过将这些软化的 one-hot 向量与随机选择的线性系数线性组合来创建额外的行向量。然后我们量化<math>
\sigma</math>确定。随后，通过将这些软化的 one-hot 向量与随机选择的线性系数线性组合来创建额外的行向量。然后量化<math>
\Gamma</math>和 EI 之间的差异，结果如图1(d) 所示。
\Gamma</math>和 EI 之间的差异，结果如图1(d) 所示。
</math>时有一个明显的分界点。图3（a-f）显示了另一个更复杂的布尔网络模型的明显因果涌现例子，该模型来自参考文献<ref name="Hoel2013" />，其中具有相同节点机制的6个节点可归类为3个超级节点，以显示因果涌现。原始布尔网络模型的相应TPM如图3(c)所示。奇异值频谱如图3（d）所示，其中有8个非零值。这个清晰因果涌现的度数为<math>
</math>时有一个明显的分界点。图3（a-f）显示了另一个更复杂的布尔网络模型的明显因果涌现例子，该模型来自参考文献<ref name="Hoel2013" />，其中具有相同节点机制的6个节点可归类为3个超级节点，以显示因果涌现。原始布尔网络模型的相应TPM如图3(c)所示。奇异值频谱如图3（d）所示，其中有8个非零值。这个清晰因果涌现的度数为<math>
\Delta\Gamma=2.23
\Delta\Gamma=2.23
</math>。对因果涌现的判断与<ref name="Hoel2013" />相同。参考文献<ref name="Hoel2013" />和<ref name="Hoel2017" />中有关布尔网络的更多例子可参阅附录第 E.1 节。
</math>。对因果涌现的判断与<ref name="Hoel2013" />相同。
[[文件:截屏2024-08-14 11.13.54.png|居中|缩略图|776x776px|图3|替代=]]
[[文件:截屏2024-08-14 11.13.54.png|居中|缩略图|776x776px|图3|替代=]]
===复杂网络===
===复杂网络===
对因果涌现的量化可应用于复杂网络（图2(j-l)）。图2（j-l）显示了由随机块模型（SBM）生成的具有三组参数（内部或内部连接概率）的复杂网络的模糊因果涌现例子。TPM是通过对网络的邻接矩阵按每个节点的度进行归一化得到的。图2(j)显示了一个有 100 个节点和 5 个区块（社区）的示例网络，图2(k)显示了其奇异值频谱，在与区块数相同的横坐标上可以观察到一个明显的分界点<math>
对因果涌现的量化可应用于复杂网络（图2(j-l)）。图2（j-l）显示了由随机块模型（SBM）生成的具有三组参数（内部或内部连接概率）的复杂网络的模糊因果涌现例子。TPM是通过对网络的邻接矩阵按每个节点的度进行归一化得到的。图2(j)显示了一个有 100 个节点和 5 个区块（社区）的示例网络，图2(k)显示了其奇异值频谱，在与区块数相同的横坐标上可以观察到一个明显的分界点<math>
(\epsilon=0.3,r_{\epsilon}=5)
(\epsilon=0.3,r_{\epsilon}=5)
</math>。我们可以确定，在这个网络模型中出现了模糊的因果涌现，程度为<math>
</math>。可以确定，在这个网络模型中出现了模糊的因果涌现，程度为<math>
\Delta\Gamma(0.3)=0.56
\Delta\Gamma(0.3)=0.56
</math>。同图中还显示了两个由SBM生成的网络光谱，它们的大小和块数相同，但参数不同。
</math>。同图中还显示了两个由SBM生成的网络光谱，它们的大小和块数相同，但参数不同。
如图3（g-i）所示，关于清晰因果涌现的定义可应用于元胞自动机，以发现其局部涌现结构。在这个例子里刻画了元胞自动机（编号40的基本一维元胞自动机）局部TPM的清晰因果涌现。局部TPM 由包括每个单元及其两个相邻单元的局部窗口获得。图3(h) 显示了这些局部 TPM 的奇异值的可能频谱，在这些频谱中可能出现也可能不出现清晰因果涌现。图3(i)用红点标记显示了所有单元和时间步长的清晰因果涌现分布（<math>
如图3（g-i）所示，关于清晰因果涌现的定义可应用于元胞自动机，以发现其局部涌现结构。在这个例子里刻画了元胞自动机（编号40的基本一维元胞自动机）局部TPM的清晰因果涌现。局部TPM 由包括每个单元及其两个相邻单元的局部窗口获得。图3(h) 显示了这些局部 TPM 的奇异值的可能频谱，在这些频谱中可能出现也可能不出现清晰因果涌现。图3(i)用红点标记显示了所有单元和时间步长的清晰因果涌现分布（<math>
\Delta\Gamma
\Delta\Gamma
</math>）。我们还绘制了该自动机的原始演化作为背景。
</math>）。
==基于SVD分解的粗粒化策略==
==基于SVD分解的粗粒化策略==
虽然无需粗粒化也能定义和量化清晰或模糊因果涌现，但需要对原始系统进行更简单的粗粒化描述，以便与 EI 得出的结果进行比较。因此，该理论提供了一种基于奇异值分解的粗粒度方法，以获得宏观层面的简化TPM。其基本思想是将 P 中的行向量 <math>
P_{i},\forall i \in [1,N]
P_{i},\forall i \in [1,N]
</math>投影到<math>
</math>投影到<math>
</math>不变。
</math>不变。
===方法===
===方法===
该粗粒化方法包括五个步骤：1) 对TPM进行SVD分解；2)选择一个<math>
\epsilon
\epsilon
</math>作为阈值来切断奇异值谱，并得到<math>r_{\epsilon}
</math>作为阈值来切断奇异值谱，并得到<math>r_{\epsilon}
</math>组，得到投影矩阵<math>
</math>组，得到投影矩阵<math>
\Phi</math>；以及 5) 利用<math>
\Phi</math>；以及 5) 利用<math>
\Phi</math>和P得到新的TPM，使总静态通量保持不变。有关此方法的详细信息及其工作原理，请参阅附录 D。
\Phi</math>和P得到新的TPM，使总静态通量保持不变。
===测试效果===
===测试效果===
在图2 和图3 所示的所有示例中测试了此粗粒化方法。首先，对于根据图2(d) 和 (g) 所示的相同布尔网络模型生成的两个 TPM，其粗 TPM 分别如图2(f)和(i)所示。从TPM和投影矩阵<math>
\Phi</math>中可以读出宏观布尔网络模型（图2(c)）。值得注意的是，粗TPM中的<math>
\Phi</math>中可以读出宏观布尔网络模型（图2(c)）。值得注意的是，粗TPM中的<math>
\Gamma
\Gamma
</math>几乎完全相同，这说明我们的方法在这种情况下是<math>
</math>几乎完全相同，这说明我们的方法在这种情况下是<math>
\Gamma
\Gamma
</math>保守的。我们进一步测试了参考文献<ref name="Hoel2013" />和<ref name="Hoel2017" />中的因果涌现例子，可以得到几乎相同的粗TPM。其次，如图3(e) 所示，用相同的粗粒度方法可以得到原始TPM（图3(a)）的缩小TPM，投影矩阵<math>
</math>保守的。其次，如图3(e) 所示，用相同的粗粒度方法可以得到原始TPM（图3(a)）的缩小TPM，投影矩阵<math>
\Phi</math>如 (f) 所示。如图3（b）所示，粗粒度布尔网络可以从简化的TPM和投影矩阵中读出。在本例中，虽然由于粗粒化过程中的信息损失，<math>
\Phi</math>如 (f) 所示。如图3（b）所示，粗粒度布尔网络可以从简化的TPM和投影矩阵中读出。在本例中，虽然由于粗粒化过程中的信息损失，<math>
\Gamma
\Gamma
</math>大幅上升。这表明在粗粒化过程中损失了大量信息，同时可以得到一个相对更有效的小型网络模型，具有更强的归一化近似动态可逆性。
</math>大幅上升。这表明在粗粒化过程中损失了大量信息，同时可以得到一个相对更有效的小型网络模型，具有更强的归一化近似动态可逆性。
==附录==
==附录==
'''引理1：'''对于一个概率转移矩阵TPM <math>P=(P_{1}，P_{2}，...,P_{N})^{T}</math>，其中<math>P_{i}</math>是第i个行向量，那么：
<math>
<math>
</math>
</math>
证明: 由于Pi是概率分布，因此它应满足归一化条件，可表示为：
'''证明:''' 由于Pi是概率分布，因此它应满足归一化条件，可表示为：
<math>
<math>
</math>
</math>
'''引理2：'''对于TPM P，我们可以用如下形式书写：
<math>P=(P_{1},P_{2},...,P_{N})^{T}
<math>P=(P_{1},P_{2},...,P_{N})^{T}
其中r是矩阵P的秩。
其中r是矩阵P的秩。
证明:如果<math>
'''证明:'''如果<math>
P_{i}\cdot P_{i}=1
P_{i}\cdot P_{i}=1
</math>，则<math>
</math>，则<math>
P^{T}=P^{-1}
P^{T}=P^{-1}
</math>，且 P 必须是置换矩阵，并且所有奇异值都是1。这也符合引理2的陈述。
</math>，且 P 必须是置换矩阵，并且所有奇异值都是1。这也符合引理2的陈述。
'''引理3：'''对于给定的TPM P ，任何<math>\alpha\in (0, 2) </math>的动态可逆性<math>\Gamma_{\alpha}</math>的度量小于或等于系统的大小 N 。
'''证明：'''因为<math>0\le\alpha\le 2</math>，所以<math>f(x)=x^{\alpha /2}</math>是凹函数，根据命题 4，我们有：
<math>
<math>
</math>的特征值为<math>(|P_{1}|\cdot \sqrt{N},0,...,0)</math>。这直接导致了公式A49。
</math>的特征值为<math>(|P_{1}|\cdot \sqrt{N},0,...,0)</math>。这直接导致了公式A49。
'''引理5：'''对于任何<math>x_{i}\ge 0,\forall i \in [1,N]</math>且<math>\alpha>0</math>,<math>f(\alpha)=(\sum_{i=1}^{N} x_{i}^{\alpha})^{1/\alpha}
</math>是关于<math>\alpha</math>的单调递减函数。
</math>是关于<math>\alpha</math>的单调递减函数。
\sum_{i=1}^{N}(\frac{x_{i}^{\alpha}}{\sum_{j=1}^{N} x_{j}^{\alpha}})\cdot log x_{i}^{\alpha}\le log\sum_{i=1}^{N}(\frac{x_{i}^{\alpha}}{\sum_{j=1}^{N} x_{j}^{\alpha}}\cdot x_{i}^{\alpha}),
\sum_{i=1}^{N}(\frac{x_{i}^{\alpha}}{\sum_{j=1}^{N} x_{j}^{\alpha}})\cdot log x_{i}^{\alpha}\le log\sum_{i=1}^{N}(\frac{x_{i}^{\alpha}}{\sum_{j=1}^{N} x_{j}^{\alpha}}\cdot x_{i}^{\alpha}),
</math>
</math>
因此，结合等式A56 和 A57，我们有：
因此，结合等式A56 和 A57，我们有：
<math>\frac{\sum_{i=1}^{N} x_{i}^{\alpha}\cdot log x_{i}^{\alpha}}{\sum_{i=1}^{N} x_{i}^{\alpha}}\le log\sum_{i=1}^{N} x_{i}^{\alpha}.</math>
<math>\frac{\sum_{i=1}^{N} x_{i}^{\alpha}\cdot log x_{i}^{\alpha}}{\sum_{i=1}^{N} x_{i}^{\alpha}}\le log\sum_{i=1}^{N} x_{i}^{\alpha}.</math>
==参考文献==
==参考文献==
<references />
<references />