更改

=== 信息论方法 ===

=== 信息论方法 ===

信息论方法探索网络不同尺度间的相互作用。复杂网络中更大尺度通常提供更丰富的连接结构信息，即因果涌现现象<ref name="Klein_Emergence_higher_scales">{{cite journal|author1=Klein B|author2=Hoel E.|title=The emergence of informative higher scales in complex networks|journal=Complexity|year=2020|url=}}</ref>，可降低节点间关系观测的不确定性。针对图上动力学过程，信息论方法有助于评估状态空间划分对约化后动力学行为的影响<ref name="Faccin_Entrograms">{{cite journal|author1=Faccin M|author2=Schaub M. T.|author3=Delvenne J.-C.|title=Entrograms and coarse graining of dynamics on complex networks|journal=J. Complex Netw.|year=2017|volume=6|url=}}</ref>。

信息论方法也能够探索网络不同尺度间的相互作用。在复杂网络中，更大尺度通常能提供关于网络连接结构的更丰富的信息量，这一现象称为因果涌现现象<ref name="Klein_Emergence_higher_scales">{{cite journal|author1=Klein B|author2=Hoel E.|title=The emergence of informative higher scales in complex networks|journal=Complexity|year=2020|url=}}</ref>，因果涌现可有效降低节点间关系观测的不确定性。此外，针对具有特定的图上的动力学过程，可能存在多种捕捉原始过程不同特征的粗粒化描述。信息论方法有助于评估网络动力学过程状态空间的划分如何影响其约化后的动力学行为<ref name="Faccin_Entrograms">{{cite journal|author1=Faccin M|author2=Schaub M. T.|author3=Delvenne J.-C.|title=Entrograms and coarse graining of dynamics on complex networks|journal=J. Complex Netw.|year=2017|volume=6|url=}}</ref>。

=== 重整化群方法的基本原理 ===

=== 重整化群方法的基本原理 ===