打开主菜单
首页
随机
登录
设置
关于集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织
免责声明
集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织
搜索
更改
←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8月5日 (一) 11:23的版本
添加16字节
、
2024年8月5日 (星期一)
→检验动力学的一致性
第78行:
第78行:
==检验动力学的一致性==
==检验动力学的一致性==
−
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_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_m(t) </math>, <math>G_M </math>上的预期分布为 <math>P_M(t) </math>。将<math>P_m(t) </math>分布叠加到宏观上<math>G_M </math>的相同节点上,得到<math>P_{M|m}(t) </math>分布。用<math>P_M(t) </math>和<math>P_{M|m}(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_m(t) </math>, <math>G_M </math>上的预期分布为 <math>P_M(t) </math>。将<math>P_m(t) </math>分布叠加到宏观上<math>G_M </math>的相同节点上,得到<math>P_{M|m}(t) </math>分布。用<math>P_M(t) </math>和<math>P_{M|m}(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
1,177
个编辑