寻找网络合适尺度：基于谱聚类有效识别优先连接网络的因果涌现
网络可以用来表示广泛的系统，在过去的十年里，它们的使用在整个科学领域变得越来越普遍。虽然网络分析通常是在网络的完整、微观尺度表示上进行的，但最近研究表明，信息量较大的网络也可以识别和建模。使用这些技术，可以将网络G重新构建为新的网络GM，其中网络的子图被分组为单独的宏节点。这些宏节点以概括原始网络动态的方式总结子图的行为。因此，更高的尺度是维度缩小的模型但能保持原始系统的一致性。
长期以来，科学界一直认为，只要可能，粗粒度模型就应该被细粒度模型所取代。由于这种还原论方法的普遍成功，人们很少关注宏观模型带来的收益。由于缺乏处理跨尺度系统的正式方法，以及检测信息量更高尺度的计算成本，这种情况更加严重。可能的降维数量随着系统尺度的增加呈指数级增加。因此，尽管在逻辑门和马尔可夫过程中对更高尺度的建模进行了研究，但这些研究受到计算资源的限制。
在这里，Griebenow等人比较和评估了通过搜索可能尺度的具有计算挑战性的空间来寻找信息更高尺度网络的不同方法。比较了贪婪算法、基于梯度下降方法和基于网络频谱分解方法。使用这些算法来表明，中尺度结构通常是网络中最难识别的计算尺度。然而，这里引入的自适应频谱方法基本上避免了这个问题，该方法具有最强的算法性能，并且即使在大型网络中也可以找到信息丰富且复杂的更高尺度。这种谱分析技术基于机器学习任务中常用的聚类和排序方法，将微节点分组为宏节点。Griebenow等人还探索了更高尺度如何拥有更多的信息连通性（一种称为因果涌现现象）。由于宏观尺度是对原始网络的重塑，因此理解分析确定的宏观尺度网络与原始网络相比，其网络性质如何不同至关重要。Griebenow等人发现，与它们潜在的微观尺度相比，所发现的宏观尺度性质发生了重大变化。其中包括减少随机游走的不确定性，提高网络的全局效率，以及增加节点的各种中心性度量。
Griebenow等人发表的《Finding the right scale of a network: efficient identification of causal emergence through spectral clustering》是了解因果涌现概念的入门文献，感兴趣可以阅读一下参考文献[1]以及使用配套的R软件包einet ：github.com/jkbren/einet。
参考文献
[1] Griebenow R, Klein B, Hoel E. Finding the right scale of a network: efficient identification of causal emergence through spectral clustering. arXiv preprint arXiv:1908.07565, 2019.
以往推荐如下：
5. EMT标记物数据库：EMTome
8. RNA与疾病关系数据库：RNADisease v4.0
9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target
13. 利用药物转录组图谱探索中药药理活性成分平台：ITCM
转载本文请联系原作者获取授权，同时请注明本文来自张俊鹏科学网博客。
链接地址：https://wap.sciencenet.cn/blog-571917-1389186.html?mobile=1
收藏
