更改

第85行: 第85行:  
为了识别复杂网络中的因果涌现,需要对网络进行[[粗粒化]],然后比较宏观网络与微观网络的有效信息,判断能否发生因果涌现。粗粒化方法包括:[[贪婪算法]]、[[谱分解方法]]以及[[梯度下降]]方法。Klein等人<ref name=":0" />利用贪婪算法构建了宏观尺度的网络,发现对于大规模网络其效率很低。Griebenow 等人<ref>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>提出了一种基于谱分解的方法,并应用于[[偏好依附网络]]。相较于贪婪算法以及梯度下降算法,谱分解算法的计算时间更少,同时找到的宏观网络也更好(EI更大)。
 
为了识别复杂网络中的因果涌现,需要对网络进行[[粗粒化]],然后比较宏观网络与微观网络的有效信息,判断能否发生因果涌现。粗粒化方法包括:[[贪婪算法]]、[[谱分解方法]]以及[[梯度下降]]方法。Klein等人<ref name=":0" />利用贪婪算法构建了宏观尺度的网络,发现对于大规模网络其效率很低。Griebenow 等人<ref>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>提出了一种基于谱分解的方法,并应用于[[偏好依附网络]]。相较于贪婪算法以及梯度下降算法,谱分解算法的计算时间更少,同时找到的宏观网络也更好(EI更大)。
 
====贪婪算法====
 
====贪婪算法====
 
+
输入:网络<math>A</math>;输出:
 
# 初始化一个队列,随机选择一个节点<math>v_i</math>(没有访问过的), 将<math>v_i</math>所属的邻域([[马尔可夫毯]] )<math>B_{v_i}</math> 中的节点加入队列中
 
# 初始化一个队列,随机选择一个节点<math>v_i</math>(没有访问过的), 将<math>v_i</math>所属的邻域([[马尔可夫毯]] )<math>B_{v_i}</math> 中的节点加入队列中
 
# 初始时<math>v_{\mu}</math>=<math>v_i</math>
 
# 初始时<math>v_{\mu}</math>=<math>v_i</math>
2,464

个编辑