更改

假设有两个网络（如图2.1 所示），二者均包含约 10 个社团结构（即紧密联系的子图）。其中，左侧网络的社团具有高度异质性，社团大小差异显著，且存在少量小集团似乎脱离网络整体；右侧网络的社团大小相对同质化，社团间连接更为紧密，但各小集团内部联系较弱。判断哪一网络更具整体性，可转化为考察哪一网络更易被切分为不连通的两半。显然左侧网络更易被拆分，因其存在少数 “脆弱” 连边，切断此类连边即可使网络分为两半。

假设有两个网络（如图2.1 所示），二者均包含约 10 个社团结构（即紧密联系的子图）。其中，左侧网络的社团具有高度异质性，社团大小差异显著，且存在少量小集团似乎脱离网络整体；右侧网络的社团大小相对同质化，社团间连接更为紧密，但各小集团内部联系较弱。判断哪一网络更具整体性，可转化为考察哪一网络更易被切分为不连通的两半。显然左侧网络更易被拆分，因其存在少数 “脆弱” 连边，切断此类连边即可使网络分为两半。

对于一般网络，需先找到最薄弱的环节，即找出最少的几条边，切断这些边便能将网络分为不连通的两个子网络，可用这些 “脆弱” 连边的数量来度量网络的整体性，这一数量被称为 <math>\phi</math>。不过，这种判断并非绝对准确。例如左侧网络，若单独考察其右下角最大的连通集团，会发现该集团自身整体性很强，各节点紧密相连。因此，评估网络时需遍历其所有子网络，在这些子网络中找到<math>\Phi</math> 最大的那个（在这里为了方便区分用<math>\phi</math>表示子网络的整合信息量，<math>\Phi</math>表示整体网络的整合信息量），并用该最大子网络的 <math>\phi</math>（即最 “薄弱” 环节的连边数）作为整个网络整体性的度量，这便是整个网络的 <math>\Phi</math>。通过搜索所有子网络找到使 <math>\phi</math> 最大的子网络，如左图中由五个相互紧密联系的社团组成的子网络。

对于一般网络，需先找到最薄弱的环节，即找出最少的几条边，切断这些边便能将网络分为不连通的两个子网络，可用这些 “脆弱” 连边的数量来度量网络的整体性，这一数量被称为 <math>\phi</math>。不过，这种判断并非绝对准确。例如左侧网络，若单独考察其右下角最大的连通集团，会发现该集团自身整体性很强，各节点紧密相连。因此，评估网络时需遍历其所有子网络，在这些子网络中找到<math>\phi</math> 最大的那个（在这里为了方便区分用<math>\phi</math>表示子网络的整合信息量，<math>\Phi</math>表示整体网络的整合信息量），并用该最大子网络的 <math>\phi</math>（即最 “薄弱” 环节的连边数）作为整个网络整体性的度量，这便是整个网络的 <math>\Phi</math>。通过搜索所有子网络找到使 <math>\phi</math> 最大的子网络，如左图中由五个相互紧密联系的社团组成的子网络。

理解网络整合度的计算后，便可理解真正的整合度 <math>\Phi</math> 的计算。首先，将复杂网络替换为大脑构成的因果网络，其中节点可视为神经元，连边代表突触链接；其次，将连边理解为两个节点间的因果联系，其强弱对应因果联系的[[有效信息]]（即将系统二分后干预其中一个子系统的状态分布，其子系统之间的[[互信息]]，考察的是被切分的两个网络间的因果影响，具体可参见[[有效信息]]词条）。

理解网络整合度的计算后，便可理解真正的整合度 <math>\Phi</math> 的计算。首先，将复杂网络替换为大脑构成的因果网络，其中节点可视为神经元，连边代表突触链接；其次，将连边理解为两个节点间的因果联系，其强弱对应因果联系的[[有效信息]]（即将系统二分后干预其中一个子系统的状态分布，其子系统之间的[[互信息]]，考察的是被切分的两个网络间的因果影响，具体可参见[[有效信息]]词条）。