812
个编辑
更改
跳到导航
跳到搜索
第916行：
第916行： − 另外，我们也能使用梯度下降方法，搭配深度学习方法，比如图神经网络，来寻找最优划分。比如，在Klein等人的论文<ref name=":19"/>，以及Griebenow 等人<ref name=":Griebenow">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>的文献中，把粗粒化方案写成一个分组矩阵，同时将这个分组矩阵参数化，这样把最终的粗粒化网络表达为分组矩阵与原始网络邻接矩阵的乘积，并由此计算EI。之后，使用自动微分方法执行[[梯度下降算法]]从而优化分组矩阵，以使得EI最大化。+
→其他方法
另外，我们也能使用梯度下降方法，搭配深度学习方法，比如图神经网络，来寻找最优划分。比如，在Klein和Hoel等人的论文<ref name=":19"/>，以及Griebenow 等人<ref name=":Griebenow">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>的文献中，把粗粒化方案写成一个分组矩阵，同时将这个分组矩阵参数化，这样把最终的粗粒化网络表达为分组矩阵与原始网络邻接矩阵的乘积，并由此计算EI。之后，使用自动微分方法执行[[梯度下降算法]]从而优化分组矩阵，以使得EI最大化。
'''输入'''：包含 <math>N</math> 个节点的原始网络 <math>G</math>，其对应邻接矩阵为：<math>A</math>，粗粒化后的网络所包含的节点数：<math>K</math>；'''输出'''：宏观网络 <math>G'</math>，对应的邻接矩阵为：<math>B</math>，以及对应的从 <math>A</math> 到 <math>B</math> 的粗粒化矩阵：<math>M</math>
'''输入'''：包含 <math>N</math> 个节点的原始网络 <math>G</math>，其对应邻接矩阵为：<math>A</math>，粗粒化后的网络所包含的节点数：<math>K</math>；'''输出'''：宏观网络 <math>G'</math>，对应的邻接矩阵为：<math>B</math>，以及对应的从 <math>A</math> 到 <math>B</math> 的粗粒化矩阵：<math>M</math>