更改
跳到导航
跳到搜索
←上一编辑
下一编辑→
复杂网络中的因果涌现
(查看源代码)
2024年7月20日 (六) 13:40的版本
删除9字节
、
2024年7月20日 (星期六)
小
→检验网络的动力学一致性
第69行:
第69行:
动力学的一致性检验可以进一步验证[[HOMs]]方法的有效性,公式如下所示,比较宏微观网络节点在不同时刻的概率分布的KL散度之和。实验发现在不同节点规模以及参数下的偏好依附网络的粗粒化后的宏观网络的不一致性随着迭代步数的增加都会收敛到0。
动力学的一致性检验可以进一步验证[[HOMs]]方法的有效性,公式如下所示,比较宏微观网络节点在不同时刻的概率分布的KL散度之和。实验发现在不同节点规模以及参数下的偏好依附网络的粗粒化后的宏观网络的不一致性随着迭代步数的增加都会收敛到0。
−
在微观网络
[
math
]
G
[
/math
]
与宏观网络
[
math
]G_<sub
>
M
</
sub
>
[/math]
上随机游走,在未来某个时间[math]t[/math] , [math]G[/math] 上的预期分布为 [math]P<sub>m</sub>(t)[/math], [math]G<sub>M</sub>[/math] 上的预期分布为 [math]P<sub>M</sub>(t)[/math]。将[math]P<sub>m</sub>(t)[/math]分布叠加到宏观上[math]G<sub>M</sub>[/math]的相同节点上,得到 [math]P<sub>M|m</sub>(t)[/math]分布。得到P<sub>M</sub>(t)与P<sub>M|m</sub>(t)的分布,用[math]P<sub>M</sub>(t)[/math]和[math]P<sub>M|m</sub>(t)[/math]之间的KL散度来衡量其不一致性(inconsistency),若结果为零则动力学一致。公式为:
+
在微观网络
<
math
>
G
<
/math
>
与宏观网络
<
math>
G_M
</
math
>上随机游走,在未来某个时间[math]t[/math] , [math]G[/math] 上的预期分布为 [math]P<sub>m</sub>(t)[/math], [math]G<sub>M</sub>[/math] 上的预期分布为 [math]P<sub>M</sub>(t)[/math]。将[math]P<sub>m</sub>(t)[/math]分布叠加到宏观上[math]G<sub>M</sub>[/math]的相同节点上,得到 [math]P<sub>M|m</sub>(t)[/math]分布。得到P<sub>M</sub>(t)与P<sub>M|m</sub>(t)的分布,用[math]P<sub>M</sub>(t)[/math]和[math]P<sub>M|m</sub>(t)[/math]之间的KL散度来衡量其不一致性(inconsistency),若结果为零则动力学一致。公式为:
<math>inconsistency=\sum_{t=0}^T D_{KL}[P_M(t)||P_{M|m}(t)]</math>
<math>inconsistency=\sum_{t=0}^T D_{KL}[P_M(t)||P_{M|m}(t)]</math>
相信未来
1,182
个编辑
导航菜单
个人工具
登录
名字空间
页面
讨论
变种
视图
阅读
查看源代码
查看历史
更多
搜索
导航
集智百科
集智主页
集智斑图
集智学园
最近更改
所有页面
帮助
工具
特殊页面
可打印版本