[论文解读] Understanding Complex Systems: From Networks to Optimal Higher-Order Models

Renaud Lambiotte, Martin Rosvall+1 more|arXiv (Cornell University)|Jun 14, 2018

Complex Network Analysis Techniques参考文献 44被引用 12

一句话总结

本文倡导采用高阶网络模型以捕捉复杂系统中的记忆效应，突破传统网络模型所假设的无记忆、马尔可夫路径的局限。通过分析真实路径数据，本文表明高阶模型在社区检测、节点排序和动力学过程建模方面表现更优，能够更准确且简洁地表征复杂系统的行为。

ABSTRACT

To better understand the structure and function of complex systems, researchers often represent direct interactions between components in complex systems with networks, assuming that indirect influence between distant components can be modelled by paths. Such network models assume that actual paths are memoryless. That is, the way a path continues as it passes through a node does not depend on where it came from. Recent studies of data on actual paths in complex systems question this assumption and instead indicate that memory in paths does have considerable impact on central methods in network science. A growing research community working with so-called higher-order network models addresses this issue, seeking to take advantage of information that conventional network representations disregard. Here we summarise the progress in this area and outline remaining challenges calling for more research.

研究动机与目标

• 解决标准网络模型在捕捉真实数据中观察到的非马尔可夫、依赖记忆的路径方面的局限性。
• 挑战复杂系统中间接影响可通过传递性、无记忆路径建模的假设。
• 开发并评估能够压缩常见路径模式但计算上仍可行的高阶网络模型。
• 识别在何种情况下以及为何高阶模型对复杂系统中的准确分析至关重要。
• 推进最优模型选择的方法论框架，包括可变阶和多阶模型，以避免过拟合或欠拟合。

提出的方法

• 使用带时间戳和序列依赖的数据（例如社交互动、导航路径、贸易流动）重建复杂系统中的实际交互路径。
• 通过建模节点序列之间的转移构建高阶网络，捕捉超越成对连接的记忆效应。
• 应用统计学习技术从数据中推断最优模型阶数，最小化假设并最大化解释力。
• 利用可变阶和多阶模型平衡模型复杂度与数据效率，减少过拟合和欠拟合。
• 将标准网络科学工具——如谱方法、社区检测和随机游走动力学——扩展至高阶模型。
• 提出受经典模型（例如随机块模型）启发但适配非马尔可夫路径结构的高阶网络生成模型。

实验结果

研究问题

• RQ1 现实交互路径中的记忆效应如何挑战标准网络模型在复杂系统中有效性的假设？
• RQ2 在哪些系统中，高阶模型能显著优于传统网络模型，以更准确地捕捉社区结构和功能模块？
• RQ3 如何从数据中选择最优的高阶模型，以在模型复杂度与泛化能力之间取得平衡？
• RQ4 非马尔可夫路径对扩散、同步和网络控制等动力学过程有何影响？
• RQ5 如何发现并形式化非马尔可夫路径模式的生成机制，使其类似于经典网络模型的建模方式？

主要发现

• 现实世界中关于交互路径的数据（如社交网络和信息系统）揭示了强烈记忆效应，而标准网络模型无法捕捉这些效应。
• 高阶模型通过保留实际路径的结构，提升了功能模块和社区的检测效果，减少了关键节点的误分类。
• 由于假设路径具有传递性和无记忆性，标准网络模型可能错误表征中心性和影响力，导致节点排序不准确。
• 与固定阶模型相比，可变阶和多阶模型能实现更好的泛化能力，尤其在数据有限时可有效避免过拟合。
• 高阶模型将网络科学工具的应用范围扩展至非马尔可夫动力学，如非线性过程和元种群模型。
• 迫切需要开发新型高阶网络生成模型，以解释跨多样化系统中复杂非马尔可夫路径模式的涌现机制。