更改

张江等人关于动力学可逆性的文章<ref name="reversibility"/>提供了另一种基于 SVD 的粗粒化方法。它的目标不是恢复某种预设的成块结构，而是把马尔科夫动力学看作一个通信信道，删除马尔科夫动力学中的'''冗余通路'''。这里每个状态的出转移分布都可以看作一条信息通路；如果若干行向量彼此线性相关，那么这些通路在信息上就是冗余的，即使它们在概率分布上看起来并不相似。

张江等人关于动力学可逆性的文章<ref name="reversibility"/>提供了另一种基于 SVD 的粗粒化方法。它的目标不是恢复某种预设的成块结构，而是把马尔科夫动力学看作一个通信信道，删除马尔科夫动力学中的'''冗余通路'''。这里每个状态的出转移分布都可以看作一条信息通路；如果若干行向量彼此线性相关，那么这些通路在信息上就是冗余的，即使它们在概率分布上看起来并不相似。

这也是它和 EI 的一个重要差别：EI 只能度量行向量之间的分布相似性，而动力学可逆性 <math>\Gamma_\alpha</math> 还能捕捉线性依赖关系。换句话说，两个状态的出流模式可以彼此很不像，但只要在代数上是冗余的，<math>\Gamma_\alpha</math> 仍能识别出来。

这也是它和 EI 的一个重要差别：EI 只能度量行向量之间的分布相似性，而动力学可逆性 <math>\Gamma_\alpha</math> 还能捕捉线性依赖关系。换句话说，两个状态的出流模式可以彼此很不像，但只要在代数上是冗余的，<math>\Gamma_\alpha</math> 仍能识别出来。算法的基本流程见“近似动力学可逆性”一节。

 

虽然它与前面的 Zhang & Wang 方法都包含 “SVD + K-Means” 这一步，但两者的目标不同：前者更关心从稳态流结构中恢复成块划分，后者更关心删除 TPM 中的冗余信道。相应地，前者分解的是 <math>F=\mathrm{diag}(\pi)P</math>，因此天然带有稳态权重；后者直接分解 <math>P</math>，更强调转移矩阵本身的线性冗余结构。

虽然它与前面的 Zhang & Wang 方法都包含 “SVD + K-Means” 这一步，但两者的目标不同：前者更关心从稳态流结构中恢复成块划分，后者更关心删除 TPM 中的冗余信道。相应地，前者分解的是 <math>F=\mathrm{diag}(\pi)P</math>，因此天然带有稳态权重；后者直接分解 <math>P</math>，更强调转移矩阵本身的线性冗余结构。