5,443
个编辑
更改
跳到导航
跳到搜索
第72行：
第72行： + +
→信息论方法
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>。
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 ===
真实世界网络的异质性可能使得不同方法得到的结果出现相互矛盾，解决这种方法上的不等价性需要基于第一性原理建立适用范围更广泛的复杂网络重整化框架。构建这样的框架需要重新审视重整化方案的根基，也就是，那些相对成熟的，定义在具备规则格点和均匀同质度量的系统上的重整化方法，同时也需注意前述章节讨论的挑战。接下来，我们将回顾应对这些挑战而尝试的不同方法。为了便于讨论，我们首先为读者们讲解其中的一些共同基础。
真实世界网络的异质性可能使得不同方法得到的结果出现相互矛盾，解决这种方法上的不等价性需要基于第一性原理建立适用范围更广泛的复杂网络重整化框架。构建这样的框架需要重新审视重整化方案的根基，也就是，那些相对成熟的，定义在具备规则格点和均匀同质度量的系统上的重整化方法，同时也需注意前述章节讨论的挑战。接下来，我们将回顾应对这些挑战而尝试的不同方法。为了便于讨论，我们首先为读者们讲解其中的一些共同基础。