[论文解读] Bottlenecks, burstiness, and fat tails regulate mixing times of non-Poissonian random walks

Jean‐Charles Delvenne, Renaud Lambiotte+1 more|arXiv (Cornell University)|Sep 17, 2013

Complex Network Analysis Techniques被引用 6

一句话总结

本文提出了一种适用于时间网络上线性动力学的广义形式化方法，该方法结合了事件时间的统计特性，表明混合时间——扩散过程的关键指标——受网络结构、突发性以及重尾等待时间的调控。其主要贡献在于识别出在放松动力学中起主导作用的时空或结构因素，从而根据时间异质性程度决定是否可简化建模或需采用完整模型。

ABSTRACT

Network science investigates the architecture of complex systems to understand their functional and dynamical properties. Structural patterns such as communities shape diffusive processes on networks. However, these results hold under the strong assumption that networks are static entities where temporal aspects can be neglected. Here we propose a generalised formalism for linear dynamics on complex networks, able to incorporate statistical properties of the timings at which events occur. We show that the diffusion dynamics is affected by the network community structure and by the temporal properties of waiting times between events. We identify the main mechanism --- network structure, burstiness or fat-tails of waiting times --- determining the relaxation times of stochastic processes on temporal networks, in the absence of temporal-structure correlations. We identify situations when fine-scale structure can be discarded from the description of the dynamics or, conversely, when a fully detailed model is required due to temporal heterogeneities.

研究动机与目标

• 通过在时间网络中引入事件时间的统计特性，扩展传统网络扩散模型。
• 研究时间异质性（如突发性和重尾等待时间）如何影响随机过程的弛豫时间。
• 确定在何种条件下可忽略扩散动力学建模中的精细时间细节。
• 分离网络社区结构、突发性和重尾等待时间对混合时间的相对影响。
• 提供一个框架，用于判断在预测动力学时应采用简化模型还是完整详细模型。

提出的方法

• 开发了一种适用于时间网络上线性动力学的广义形式化方法，明确使用更新过程对事件时间进行建模。
• 提出一种主方程框架，可处理非泊松的事件间隔时间分布，从而允许等待时间具有任意统计特性。
• 通过动力学生成算子的谱分析量化混合时间，将其与系统转移算子的特征值联系起来。
• 独立分析网络社区结构、突发性和重尾等待时间这三个关键因素对弛豫动力学的影响。
• 将动力学分解为结构贡献与时间贡献，以隔离主导混合时间的调节因素。
• 将该形式化方法应用于具有不同程度时间异质性的模型系统，以评估粗粒化的有效性。

实验结果

研究问题

• RQ1 等待时间的统计特性（如突发性和重尾）如何影响时间网络上随机游走的混合时间？
• RQ2 在无时间相关性的情况下，网络社区结构在多大程度上主导随机过程的弛豫动力学？
• RQ3 在何种条件下，事件时间的精细时间结构可安全忽略于扩散过程建模中？
• RQ4 在非泊松时间网络中，网络结构、突发性或重尾等待时间中哪一个因素对混合时间的调节作用最强？
• RQ5 在何种情况下需要采用完全详细的时间模型，而在何种情况下简化表示已足够？

主要发现

• 非泊松随机游走的混合时间受网络结构、突发性和重尾等待时间之间竞争关系的调控，通常由某一因素主导。
• 在无时间相关性时，混合时间的主导调节因素可为结构模块性、突发性或重尾事件间隔时间，具体取决于系统特性。
• 当等待时间表现出强烈突发性或重尾特性时，弛豫动力学显著减慢，导致混合时间远超静态网络模型的预测值。
• 若跨社区转移频繁，网络社区结构可加速混合，但当时间异质性较强时，该效应会被抑制。
• 当时间异质性微弱时，可安全舍弃精细时间结构，实现事件时间的有效粗粒化。
• 相反，当突发性或重尾特性显著时，必须采用事件时间的完整详细模型才能准确预测动力学。