时间网络的可预测性被基于熵率的框架量化

2020-05-07 16:09:53 编辑：来源：

导读网络或图表是对复杂系统中组件之间的内部结构的数学描述，例如神经元之间的连接、蛋白质之间的交互、群体中个体之间的接触以及在线社交平台中用户之间的交互。大多数真实网络中的链路都是随时间变化的，这种网络通常被称为时间网络。链接的时间性决定了节点之间相互作用的顺序和因果关系，对神经网络功能、疾病传播、信息聚集和推荐、合作行为的出现、网络可控性等都有深远的影响。越来越多的研究集中于挖掘时态网络中的模式，并使

网络或图表是对复杂系统中组件之间的内部结构的数学描述，例如神经元之间的连接、蛋白质之间的交互、群体中个体之间的接触以及在线社交平台中用户之间的交互。大多数真实网络中的链路都是随时间变化的，这种网络通常被称为时间网络。链接的时间性决定了节点之间相互作用的顺序和因果关系，对神经网络功能、疾病传播、信息聚集和推荐、合作行为的出现、网络可控性等都有深远的影响。越来越多的研究集中于挖掘时态网络中的模式，并使用机器学习技术(尤其是图神经网络)预测其未来的演化。然而，如何量化时间网络的可预测性极限，即没有算法可以超越的极限，仍然是一个有待解决的问题。

最近,一个研究小组由Xianbin曹与北京航空航天大学、北京,同济大学和帮派燕,上海,发表了一篇题为“真实时间网络的可预测性”国家科学审查和提出了一个框架,用于量化时间网络的可预测性熵率的基础上随机领域。

作者将任意给定的网络映射到一个时间-拓扑矩阵，然后通过回归算子将经典的熵率计算(仅适用于方阵)推广到任意矩阵。在两个典型的时间网络模型中验证了这种时间拓扑可预测性的显著优点。将该方法应用于18个真实网络的可预测性计算，发现在不同类型的真实网络中，拓扑结构和时间性对网络可预测性的贡献是显著变化的;虽然时间-拓扑可预测性的理论基线和难度远高于一维时间序列，但大多数真实网络的时间-拓扑可预测性仍高于时间序列。

本研究计算的可预测性极限是时间网络的一个固有性质，即与任何预测算法无关，因此也可以用来衡量改进预测算法的可能空间。作者研究了三种广泛使用的预测算法，发现这些算法的性能明显低于大多数真实网络的预测极限，这表明需要新的预测算法同时考虑网络的时间和拓扑特征。

标签：时间网络