通过观察的转换探索马尔可夫网络中的隐性路径

在实验中，通常只能观测到有限数量的自由度。本文考虑离散马尔可夫网络，其中观察者只能访问少数可见转换以及这些转换之间的等待时间。我们关注离散网络的底层结构，提出了方法，从观察数据推断网络的局部和全局属性。首先，我们推导了沿着两个可见转换之间隐藏路径的微观熵产生的下界，这补充了现有关于平均熵产生和隐藏循环亲和力的下界。其次，我们展示了操作上可访问的数据编码了关于最短隐藏路径拓扑的信息，可用于识别潜在的状态聚类或排除其存在。最后，我们概述了一种系统的方法，将推断出的数据相结合， resulting in an algorithm that finds the candidates for a minimal graph of the underlying network, i.e., a graph that is part of the original one and compatible with the observations.我们的结果突显了热力学方法、等待时间分布与网络结构等拓扑方面之间的相互作用，这些相互作用预计在其他粗化方案中也能提供新的见解。