从网络结构与模体推导成对转移熵
信息论
2020-05-05 v2 社会与信息网络
math.IT
数据分析、统计与概率
神经元与认知
摘要
转移熵是一种用于量化神经影像和复杂系统数据集中有向统计依赖关系的既定方法。网络中从源节点到目标节点的成对（或双变量）转移熵并不仅仅取决于局部的源-目标连边权重，还取决于该连边所嵌入的更广阔网络结构。我们使用离散时间线性耦合高斯模型研究这一关系，该模型使我们能够根据网络拓扑推导每条连边的转移熵。解析表明，对有向连边权重的依赖仅是一种一阶近似，仅在弱耦合时成立。更一般地，转移熵随源节点入度增加而增加，并随目标节点入度增加而减小，表明枢纽节点与低度节点间信息转移的不对称性。此外，转移熵与涉及共同父节点或源到目标多条路径的加权模体计数成正比，这类模体在具有高聚类系数的网络中比在随机网络中更丰富。我们的发现也适用于 Granger 因果，其对高斯变量等价于转移熵。此外，关于随机布尔网络的类似经验结果表明，转移熵对入度的依赖可推广至非线性动力学。
引用
@article{arxiv.1911.02931,
title = {Deriving pairwise transfer entropy from network structure and motifs},
author = {Leonardo Novelli and Fatihcan M. Atay and Jürgen Jost and Joseph T. Lizier},
journal= {arXiv preprint arXiv:1911.02931},
year = {2020}
}
备注
12 pages, 5 figures