[论文解读] Laplacian Coarse Graining in Complex Networks

Matheus de C. Loures, Alan Albert Piovesana+1 more|arXiv (Cornell University)|Feb 14, 2023

Complex Network Analysis Techniques被引用 4

一句话总结

本文提出一种基于拉普拉斯矩阵的复杂网络粗粒化方法，采用场论方法通过网络拉普拉斯矩阵计算节点相关性。通过将相关性最高的节点聚类为超节点，该方法在不同尺度上保持了自相似性，展示了人工网络和真实网络（如C. elegans和机场网络）中的标度行为。

ABSTRACT

Complex networks can model a range of different systems, from the human brain to social connections. Some of those networks have a large number of nodes and links, making it impractical to analyze them directly. One strategy to simplify these systems is by creating miniaturized versions of the networks that keep their main properties. A convenient tool that applies that strategy is the renormalization group (RG), a methodology used in statistical physics to change the scales of physical systems. This method consists of two steps: a coarse grain, where one reduces the size of the system, and a rescaling of the interactions to compensate for the information loss. This work applies RG to complex networks by introducing a coarse-graining method based on the Laplacian matrix. We use a field-theoretical approach to calculate the correlation function and coarse-grain the most correlated nodes into super-nodes, applying our method to several artificial and real-world networks. The results are promising, with most of the networks under analysis showing self-similar properties across different scales.

研究动机与目标

• 为解决大规模复杂网络分析中计算复杂度高和解释性差的挑战。
• 开发一种受重整化群启发的粗粒化方法，以保留网络的关键结构和动力学特性。
• 应用场论框架，利用拉普拉斯矩阵计算节点相关性，实现网络的系统性简化。
• 通过迭代粗粒化，在多种网络类型中展示自相似性和标度行为。

提出的方法

• 该方法利用网络拉普拉斯矩阵定义场论哈密顿量，通过高斯过程建模节点动力学。
• 通过拉普拉斯矩阵的逆矩阵计算节点相关性，该逆矩阵在场论框架中被解释为相关函数。
• 基于相关性强弱，通过层次聚类过程识别高度相关的节点对，并将其合并为超节点。
• 通过将节点聚合为超节点并重新标定相互作用，重构粗粒化网络，以保持有效连通性。
• 该方法利用拉普拉斯矩阵的伪逆量化节点间相关性，使用密度图可视化相关性结构。
• 该方法在多尺度上迭代应用，实现对网络结构的多尺度分析。

实验结果

研究问题

• RQ1 基于拉普拉斯矩阵的场论方法能否有效识别并分组复杂网络中高度相关的节点？
• RQ2 所提出的粗粒化方法是否能在多个网络尺度上保持自相似的标度特性？
• RQ3 从拉普拉斯伪逆导出的相关性结构与经验动力学或其他网络度量的相关性结构相比如何？
• RQ4 该方法在简化真实网络（如C. elegans或机场网络）方面能简化到何种程度，同时保留其关键拓扑特征？
• RQ5 网络拉普拉斯矩阵在实现可扩展、信息保留的网络简化中起到何种作用？

主要发现

• 该方法成功将最相关的节点识别并聚类为超节点，实现了有效的网络简化。
• 从拉普拉斯伪逆导出的相关函数准确捕捉了节点间的依赖关系，正相关性通过密度图可视化。
• 大多数测试网络，包括人工的无标度网络和小世界网络，在多个粗粒化层级上均表现出自相似的标度行为。
• 重整化后的网络保持了结构完整性，表现为光谱特性与相关性模式的保留。
• 该方法在多种网络类型中表现出鲁棒性，包括C. elegans神经网络和美国机场网络，二者均显示出一致的标度行为。
• 利用拉普拉斯伪逆使该方法在数学上具有坚实基础，可扩展性强，且无需外部几何嵌入。