[论文解读] Upper and lower bounds for the mutual information in dynamical networks
本文提出一种方法，用于在无需依赖概率计算的情况下，计算确定性或部分确定性动力网络中的互信息速率（MIR）的上下界。通过使用李雅普诺夫指数和关联维数等公认的动力系统量，该方法实现了对信息交换的高效估计，并在应用中展示了耦合映射和实验振子网络中同步与信息传输之间存在强烈关联。
The amount of information exchanged per unit of time between two nodes in a dynamical network or between two data sets is a powerful concept for analysing complex systems. This quantity, known as the mutual information rate (MIR), is calculated from the mutual information, which is rigorously defined only for random systems. Moreover, the definition of mutual information is based on probabilities of significant events. This work offers a simple alternative way to calculate the MIR in dynamical (deterministic) networks or between two data sets (not fully deterministic), and to calculate its upper and lower bounds without having to calculate probabilities, but rather in terms of well known and well defined quantities in dynamical systems. As possible applications of our bounds, we study the relationship between synchronisation and the exchange of information in a system of two coupled maps and in experimental networks of coupled oscillators.
研究动机与目标
- 开发一种在传统概率定义不适用的确定性或部分确定性动力网络中估计互信息速率（MIR）的方法。
- 仅使用明确定义的动力系统量（如最大李雅普诺夫指数和关联维数）提供MIR的上下界，避免估计罕见事件概率的需求。
- 建立一个实用框架，用于分析耦合映射和实验振子网络等复杂系统中的信息交换。
- 利用所提出的边界研究动力网络中同步与信息传输之间的关系。
提出的方法
- 该方法利用动力不变量（如最大李雅普诺夫指数和吸引子的关联维数）推导MIR的边界。
- 它用基于相空间轨迹几何与时间特性的边界替代标准的概率定义的互信息。
- 上界基于系统发散率（李雅普诺夫指数）约束下的最大可能信息流推导得出。
- 下界基于关联维数和轨迹分离的时间尺度构建，反映最小可区分的信息传输。
- 该方法在两个耦合逻辑斯蒂映射系统和实验耦合振子网络上得到验证。
实验结果
研究问题
- RQ1在无需依赖罕见事件概率估计的情况下，如何在确定性动力网络中界定互信息速率？
- RQ2通过所提出的MIR边界，耦合动力系统中同步与信息交换之间的关系如何量化？
- RQ3所提出的边界能否准确反映真实世界实验耦合振子网络中的信息传输？
- RQ4李雅普诺夫指数和关联维数等动力不变量如何与复杂系统中信息交换的极限相关联？
主要发现
- 互信息速率的上界与最大李雅普诺夫指数成正比，反映了邻近轨迹发散的最大速率。
- 下界由关联维数和轨迹分离的特征时间尺度决定，表明最小可检测的信息流。
- 在耦合映射系统中，边界表明信息交换随耦合强度增加而增强，在同步临界点附近达到峰值。
- 在实验耦合振子网络中，边界与观测到的同步高度相关，表明高信息传输发生在同步状态。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。