Forudsigelighed af tidsmæssige netværk kvantificeret ved en entropi-rate-baseret ramme

Netværk eller grafer er matematiske beskrivelser af den interne struktur mellem komponenter i et komplekst system, såsom forbindelser mellem neuroner, interaktioner mellem proteiner, kontakter mellem personer i en menneskemængde, og interaktioner mellem brugere på online sociale platforme. Linkene i de fleste rigtige netværk ændrer sig over tid, og sådanne netværk kaldes ofte tidsmæssige netværk. Tidsmæssigheden af ​​links koder for rækkefølgen og kausaliteten af ​​interaktioner mellem noder og har en dybtgående effekt på neurale netværksfunktion, sygdomsudbredelse, informationssamling og anbefaling, fremkomsten af ​​kooperativ adfærd, og netværkskontrol. Stigende forskning har fokuseret på at udvinde mønstrene i et tidsmæssigt netværk og forudsige dets fremtidige udvikling ved hjælp af maskinlæringsteknikker, især grafiske neurale netværk. Imidlertid, hvordan man kvantificerer forudsigelighedsgrænsen for et tidsmæssigt netværk, dvs. grænsen, som ingen algoritme kan overskride, er stadig et åbent spørgsmål.

For nylig, et forskerhold ledet af Xianbin Cao med Beihang University, Beijing, og Gang Yan ved Tongji University, Shanghai, udgivet et papir med titlen "Forudsigelighed af rigtige tidsmæssige netværk" i National Science Review og foreslået en ramme til kvantificering af forudsigeligheden af ​​tidsmæssige netværk baseret på entropihastigheden af ​​tilfældige felter.

Forfatterne kortlagde ethvert givet netværk til en temporalitet-topologi-matrix, og udvidede derefter den klassiske entropihastighedsberegning (der kun gælder for kvadratiske matricer) til arbitrære matricer gennem regressionsoperatorer. De væsentlige fordele ved denne tidsmæssige-topologiske forudsigelighed blev valideret i to typiske modeller af tidsmæssige netværk. Anvendelse af metoden til at beregne forudsigeligheden af ​​18 rigtige netværk, Forfatterne fandt ud af, at i forskellige typer af rigtige netværk, bidragene fra topologi og temporalitet til netværkets forudsigelighed er signifikant varierende; Selvom den teoretiske grundlinje og vanskeligheden ved tidsmæssigt-topologisk forudsigelighed er meget højere end for endimensionelle tidsserier, de tidsmæssige-topologiske forudsigeligheder for de fleste virkelige netværk er stadig højere end for tidsserier.

Forudsigelighedsgrænsen beregnet i denne forskning er en iboende egenskab ved tidsmæssige netværk, er uafhængig af enhver forudsigelig algoritme, derfor kan den også bruges til at måle den mulige plads til at forbedre prædiktive algoritmer. Forfatterne undersøgte tre udbredte prædiktive algoritmer og fandt ud af, at ydeevnen af ​​disse algoritmer er væsentligt lavere end de prædiktive grænser i de fleste rigtige netværk, antyder nødvendigheden af ​​nye prædiktive algoritmer, der tager højde for både tidsmæssige og topologiske træk ved netværk.