3,094
个编辑
更改
跳到导航
跳到搜索
第400行：
第400行： − 我们通过一个简单的成块划分例子来展示成块性的粗粒化与HOM是对应的。+ + + 第424行：
第426行： − 第446行：
第447行： − + − − [[文件:HOM示例.png|缩略图|图7：HOM节点边权合并示意图|替代=|500像素|无]] − − − + − + − + + + − +
→一致性Consistency
Higher-order Macronodes，是由Jian Xu等人<ref name=":3">J. Xu, T. L. Wickramarathne, and N. V. Chawla， 'Representing higher-order dependencies in networks,' Science Advances, vol. 2, Article ID el600028, 2016.a</ref>提出，根据给定的微观马尔科夫链和节点划分方案，得出一个和微观转移矩阵保持一致的宏观转移矩阵的方法。
Higher-order Macronodes，是由Jian Xu等人<ref name=":3">J. Xu, T. L. Wickramarathne, and N. V. Chawla， 'Representing higher-order dependencies in networks,' Science Advances, vol. 2, Article ID el600028, 2016.a</ref>提出，根据给定的微观马尔科夫链和节点划分方案，得出一个和微观转移矩阵保持一致的宏观转移矩阵的方法。
我们通过一个简单的成块划分例子来展示：成块性的粗粒化与HOM是如何对应的。该例子的状态转移图如下图所示：
[[文件:Lumpability例子示意图.png|缩略图|图6：例子示意图|替代=|500像素|无]]
[[文件:Lumpability例子示意图.png|缩略图|图6：例子示意图|替代=|500像素|无]]
与之相应的状态转移概率矩阵为：
<math>
<math>
对于这个转移概率矩阵，<math>\{1, 2, \{34\}, 5, 6\}</math>是一个成块的划分。
对于这个转移概率矩阵，<math>\{1, 2, \{34\}, 5, 6\}</math>是一个成块的划分。
</math>
</math>
然后，我们简单介绍[[网络归并]]中构建宏观HOM转移概率矩阵的计算方法。
然后，我们简单介绍[[网络归并]]构建宏观HOM转移概率矩阵的计算方法。
在图（6）中，我们将节点3和4视为待合并的节点<math>A</math>。
在图（6）中，我们将节点3和4视为待合并的节点<math>A</math>。
1. 入流：对于其他节点到待合并节点<math>A</math>的连边（图（6）中绿色的连边），直接加和即可。例如，<math>p_{s_1 \rightarrow A} = 0.3+0.1=0.4</math>，<math>p_{ s_2 \rightarrow A} = 0.2+0.3=0.5</math>
1. 计算合并节点的入流：对于其他节点到待合并节点<math>A</math>的连边（图（6）中绿色的连边），直接加和即可。例如，<math>p_{s_1 \rightarrow A} = 0.3+0.1=0.4</math>，<math>p_{ s_2 \rightarrow A} = 0.2+0.3=0.5</math>
2. 出流：对于待合并节点<math>A</math>到其他节点的连边（图（6）中棕色的连边），需要考虑三种情况：
2. 计算合并节点的出流：对于待合并节点<math>A</math>到其他节点的连边（图（6）中棕色的连边），需要考虑三种情况：
#当待合并节点<math>A</math>间存在连边时；
#当待合并节点<math>A</math>间存在连边时；
#当待合并节点<math>A</math>指向同一个输出节点时；
#当待合并节点<math>A</math>指向同一个输出节点时；
#当待合并节点<math>A</math>指向不同输出节点时；
#当待合并节点<math>A</math>指向不同输出节点时；
待合并节点<math>A</math>的出流的计算方式都不一样，如图（7）所示。
待合并节点<math>A</math>的出流的计算方式都不一样，如图（7）所示：
[[文件:HOM示例.png|缩略图|图7：HOM节点边权合并示意图|替代=|800像素|无]]
'''然而'''，我们可以注意到，这三种计算方式本质上都是对待合并节点<math>A</math>中各节点的出流<math>W_i^{out}</math>加权。而成块性的特性决定了，群组里的各节点到其他群组的出流<math>W_i^{out}</math>都是一样的。所以，对相同的<math>W_i^{out}</math>进行任意加权平均的结果仍然是<math>W_i^{out}</math>。这意味着，无论根据哪种情况采用哪种加权方法，对于成块划分来说，最终的结果都是一致的，且与成块性的粗粒化结果相同。
'''然而'''，我们注意到，这三种计算方式本质上都是对待合并节点<math>A</math>中各节点的出流<math>W_i^{out}</math>的加权求和。而成块性的特性决定了，群组里的各节点到其他群组的出流<math>W_i^{out}</math>都是一样的。所以，对相同的<math>W_i^{out}</math>进行任意加权平均的结果仍然是<math>W_i^{out}</math>。这意味着，无论根据哪种情况采用哪种加权方法，对于成块划分来说，最终的结果都是一致的，且与成块性的粗粒化结果相同。
由此，我们总结，'''成块性的聚合方式和HOM的计算方式，无论入流还是出流都完全一致。'''
由此，我们总结，'''成块性的聚合方式和HOM的计算方式，无论入流还是出流都完全一致。'''