复杂网络中功能信息子图的识别

我们提出了一种通用的信息论方法，用于在节点动力学可观测的复杂网络中识别功能子图。我们表明，每个节点状态的不确定性可以表示为涉及其他节点处越来越多相关变量的信息量之和。我们证明，该和中的每一项都是通过对新的测量变量连续条件化互信息而产生的，这种方式类似于离散微积分。与泰勒级数的类比暗示了高效的搜索算法，可用于根据其他自由度的功能组来确定目标变量的状态。我们将此方法应用于体外培养的皮层神经元网络的电生理记录。尽管存在强烈的随机性，我们表明每个细胞的发放模式通常可由少量其他神经元的活动来解释。我们根据其相互冗余或协同的特征识别了这些神经元子图，并重构了能够解释每个目标细胞状态的神经回路。