812
个编辑
更改
→聚合方法
==出流的聚合方法：加权平均==
==出流的聚合方法：加权平均==
计算大节点的入流比较简单，而计算大节点的出流会相对较复杂，需要考虑待聚合节点之间的随机游走和状态分布，来计算流出到每个节点的概率。我们可以把出流的聚合看作是对若干行的线性加权平均。
===权重一致的平均===
===权重一致的平均===
===HOM===
===HOM===
在Klein等人的论文<ref name=":0"/>，以及Griebenow 等人<ref name=":Griebenow">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>的文献中，作者们采用了高阶依赖项建模（[[HOMs]]）<ref name="HOMs">Xu, J., Wickramarathne, T. L., & Chawla, N. V. Representing higher-order dependencies in networks[J]. Science advances, 2016, 2(5), e1600028.</ref>来对网络节点进行聚合。其目的是为了保证分组后的宏观网络与原始的微观网络具有相同的随机游走动力学特性。该方法也可以用于对马尔科夫链状态进行合并。具体方法请参考[[网络归并]]。
简而言之，该方法考虑了不同的大节点中小节点的连接模式，包括1. 框中小节点的互相连接；2. 它们共享相同的入流节点；3. 存在环的情况，并针对不同情况提出了对应的计算出流的加权平均方法。按照Klein和Hoel论文<ref name=":0"/>中所述，该方法能够满足他们提出的宏观与微观一致性的定义。