3,094
个编辑
更改
→对划分的限制
在上述算法介绍中，并未特别强调各方法对划分节点的限制。但在实际问题场景里，我们往往需要在寻找划分时加入限制，以满足问题本身的特性。
在上述算法介绍中，并未特别强调各方法对划分节点的限制。但在实际问题场景里，我们往往需要在寻找划分时加入限制，以满足问题本身的特性。
比如，在[[社区检测]]问题中，具有只允许相邻的节点聚合在一起的约束。这要求状态划分必须遵循[[状态转移图]]的拓扑结构，同一聚合状态内的节点必须在状态转移图中直接相连或通过短[[路径]]可达（如[[K-邻域]]）。这种限制确保聚合状态具有空间连贯性，同时大幅减少可行划分数量。
在某些[[因果涌现]]分组方法<ref name=":19"/>中，划分并不是在所有状态之间任意搜索，而是先用[[马尔科夫毯]]（Markov blanket）作为结构约束。在概率图中，一个节点的马尔科夫毯通常包括它的父节点、子节点以及子节点的其他父节点。给定马尔科夫毯后，该节点与图中其余节点条件独立；因此，马尔科夫毯可以理解为一个状态与外部系统发生直接依赖关系的局部接口。
在[[粗粒化]]问题中，如果两个状态具有相同或高度重合的马尔科夫毯，说明它们面对相似的局部依赖环境，可以作为候选聚合对象。这个约束的作用是缩小划分搜索空间，并提高聚合后[[宏观状态]]的局部结构一致性。具有相同马尔科夫毯的状态与其他状态之间的依赖关系相同，可以认为它们在系统中扮演相似的角色。将这些状态聚合成一个宏观状态，相当于识别出了系统中的一个功能模块或模式。
也有许多划分问题不需遵从这两类限制。比如在学术网络、网页[[流网络]]的场景上的模式识别时，我们可能会判断某些从未合作过的学者具有相似的行为模式，而把他们划分在一组内。
<br/>
<br/>