【High 翻天】Higer-order Networks with Battiston Federico (1)

2023-10-10 13:50

本文主要是介绍【High 翻天】Higer-order Networks with Battiston Federico (1),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

  • 前言
  • 高阶网络的表示
    • 高阶相互作用的初等表示
    • 表示之间的关系
  • 总结

前言

Ginestra Bianconi 的一篇综述1和一本书2展开的故事。
在这里插入图片描述

书还没有开始看,先看看综述吧。综述提供了一个关于超越成对交互的网络新兴领域的概述。

  • 讨论了高阶网络的表示,主要是其中相互作用的表示,并强调了现有概念和其联系。
  • 回顾了用来描述高阶系统结构的测量方法,以及可用于生成合成结构的模型。
  • 介绍了快速发展的高阶动力系统和动态拓扑的相关研究,讨论了高阶相互作用与集体行为之间的关系。
  • 特别关注了具有动态过程特征的新涌现扩展到成对交互之外时的现象,如扩散、同步、传播、社会动态和游戏。

高阶网络的表示

首先,给出高阶的概念。通常来讲,将包含 k k k 个节点的相互作用的阶(order)表示为 k − 1 k - 1 k1。例如:一个节点处的环记为0-阶,两个节点的相互作用是1-阶,三个节点的是2-阶,等等。当 k ≥ 2 k \geq 2 k2 时就是所谓的高阶。由于此时的定义与维度类似(dimension),有些文献也会说是高维。显而易见,低阶系统是那些只发生自我或成对交互作用的系统,而高阶系统在两个以上元素的组中显示交互作用。

至于为什么需要讨论高阶系统呢?作者给出理由如下:

The distinction between low- and high-order interactions is needed for two reasons. First, it highlights the differences between the graph-theoretic descriptions, that shaped the study of complex systems in recent decades, and the more recently (re)proposed descriptions based on genuine group interactions. Secondly, it allows us to clearly frame the connections between such descriptions, their various overlaps and reciprocal mappings. Finally, our definition explicitly leaves out other types of higher-order dependencies between the components of a system, as for example those defined by multiple link types in multilayer networks, or by non-Markovian paths in time-stamped interaction data.

在我的认知中,本质就是由于多层网络的兴起带来的问题。

高阶相互作用的初等表示

定义一个交互系统 ( V , I ) (V, \mathcal{I}) (V,I) 定义为节点集 V V V 及其节点之间的交互族 I = { I 0 , ⋯ , I n } \mathcal{I} = \{I_{0}, \cdots, I_{n}\} I={I0,,In} 。如下图所示,给一个交互系统的例子,其中 V = { a , b , c , d , e } V = \{a, b, c, d, e\} V={a,b,c,d,e} I = { [ a , b , c ] , [ a , d ] , [ d , c ] , [ c , e ] } \mathcal{I} = \{[a, b, c], [a, d], [d, c], [c, e]\} I={[a,b,c],[a,d],[d,c],[c,e]}。显然 I \mathcal{I} I 包括三个1-order 交互和一个 2-order 交互。很自然地, I \mathcal{I} I 可由1-order 交互组成的基来表示。换句话说, I \mathcal{I} I 可以映射为 I G = { [ a , b ] , [ a , c ] , [ a , d ] , [ b , c ] , [ d , c ] , [ c , e ] } \mathcal{I}_{G} = \{[a, b], [a, c], [a, d], [b, c], [d, c], [c, e]\} IG={[a,b],[a,c],[a,d],[b,c],[d,c],[c,e]},这样的话,传统图表示工具仍可使用。
在这里插入图片描述
与此同时,高维映射到低维的逆问题,即低维求解后如何重构高维,是一个艰难的问题。

Hypergraphs provide the most general and unconstrained description of higher-order interactions.

超图(Hypergraphs)包含顶点集 V V V 和指定在交互中哪些节点以何种方式参与的超边 H H H。如上图中的(L)部分所示,超图是高阶交互系统的最好展现方式。

表示之间的关系

当讨论同一个交互系统的不同表示形式时,会出现关于联系与转换的问题。接下来,以 simplicial complexes 的两种表示(the Hasse diagram 和 the facet representation)为例,如下图所示。

在这里插入图片描述


总结

虽然提出了很多新的概念,但是底层逻辑是清晰的。事实上,将高维用合适的形式表示并不是难点,难点往往在于模型的通用性和统一性。


  1. Battiston, Federico, et al. “Networks beyond pairwise interactions: structure and dynamics.” Physics Reports 874 (2020): 1–92. ↩︎

  2. Higher-order networks:An introduction to simplicial complexes (Cambridge University Press, 2021). ↩︎

这篇关于【High 翻天】Higer-order Networks with Battiston Federico (1)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/180871

相关文章

A Comprehensive Survey on Graph Neural Networks笔记

一、摘要-Abstract 1、传统的深度学习模型主要处理欧几里得数据(如图像、文本),而图神经网络的出现和发展是为了有效处理和学习非欧几里得域(即图结构数据)的信息。 2、将GNN划分为四类:recurrent GNNs(RecGNN), convolutional GNNs,(GCN), graph autoencoders(GAE), and spatial–temporal GNNs(S

MapReduce算法 – 反转排序(Order Inversion)

译者注:在刚开始翻译的时候,我将Order Inversion按照字面意思翻译成“反序”或者“倒序”,但是翻译完整篇文章之后,我感觉到,将Order Inversion翻译成反序模式是不恰当的,根据本文的内容,很显然,Inversion并非是将顺序倒排的意思,而是如同Spring的IOC一样,表明的是一种控制权的反转。Spring将对象的实例化责任从业务代码反转给了框架,而在本文的模式中,在map

兔子-(PHP 5.3 and above) Please set 'request_order' ini value to include C,G and P (recommended: 'CGP'

由于在PHP最新的版本中增加了一个配置项目“request_order”,默认值为“GP”,这个存在一定的安全风险。这里我们建议用户将配置更改为“CGP” 可以在php的安装目录下找到php.ini配置目录,找到下面选项: request_order = "GP"  更改为 request_order = "CGP"   重启服务器后即可。 此

Complex Networks Package for MatLab

http://www.levmuchnik.net/Content/Networks/ComplexNetworksPackage.html 翻译: 复杂网络的MATLAB工具包提供了一个高效、可扩展的框架,用于在MATLAB上的网络研究。 可以帮助描述经验网络的成千上万的节点,生成人工网络,运行鲁棒性实验,测试网络在不同的攻击下的可靠性,模拟任意复杂的传染病的传

Convolutional Neural Networks for Sentence Classification论文解读

基本信息 作者Yoon Kimdoi发表时间2014期刊EMNLP网址https://doi.org/10.48550/arXiv.1408.5882 研究背景 1. What’s known 既往研究已证实 CV领域著名的CNN。 2. What’s new 创新点 将CNN应用于NLP,打破了传统NLP任务主要依赖循环神经网络(RNN)及其变体的局面。 用预训练的词向量(如word2v

【机器学习】生成对抗网络(Generative Adversarial Networks, GANs)详解

🌈个人主页: 鑫宝Code 🔥热门专栏: 闲话杂谈| 炫酷HTML | JavaScript基础 ​💫个人格言: "如无必要,勿增实体" 文章目录 生成对抗网络(Generative Adversarial Networks, GANs)详解GANs的基本原理GANs的训练过程GANs的发展历程GANs在实际任务中的应用小结 生成对

Kafka【十一】数据一致性与高水位(HW :High Watermark)机制

【1】数据一致性 Kafka的设计目标是:高吞吐、高并发、高性能。为了做到以上三点,它必须设计成分布式的,多台机器可以同时提供读写,并且需要为数据的存储做冗余备份。 图中的主题有3个分区,每个分区有3个副本,这样数据可以冗余存储,提高了数据的可用性。并且3个副本有两种角色,Leader和Follower,Follower副本会同步Leader副本的数据。 一旦Leader副本挂了,Follo

Hive中order by,sort by,distribute by,cluster by的区别

一:order by order by会对输入做全局排序,因此只有一个Reducer(多个Reducer无法保证全局有序),然而只有一个Reducer,会导致当输入规模较大时,消耗较长的计算时间。关于order by的详细介绍请参考这篇文章:Hive Order by操作。 二:sort by sort by不是全局排序,其在数据进入reducer前完成排序,因此,如果用sort

MySQL - 关于 Order By 乱序问题

一、问题     在 Order By 的查询语句中, 如果 Order By 的字段存在较多相同数据时,可能会出现乱序的问题,即多次查询的返回结果顺序不一致 二、方案     添加第二个 Order By 的字段,且该字段尽量唯一 三、示例 -- 原始语句SELECT * FROM detail ORDER BY type ASC-- 调整语句SELECT * FROM detai

Image Transformation can make Neural Networks more robust against Adversarial Examples

Image Transformation can make Neural Networks more robust against Adversarial Examples 创新点 1.旋转解决误分类 总结 可以说简单粗暴有效