基于动力学的高阶网络可约化性
物理与社会
2026-01-01 v4 统计力学
摘要
经验复杂系统不仅可以通过成对相互作用来表征，还可以通过影响集体现象（从代谢反应到流行病）的高阶（群体）相互作用来表征。然而，与经典的成对网络相比，高阶网络表面上的卓越描述能力伴随着模型复杂性和计算成本的大幅增加，这对其应用构成了挑战。因此，建立一个定量的方法来确定这种建模框架何时优于成对模型，以及它在多大程度上提供了对经验系统的有价值描述，至关重要。在此，我们提出了一个信息论框架，该框架考虑了结构如何影响扩散行为，量化了高阶相互作用的熵代价和可区分性，以评估其在保留相关功能信息的同时可约化为低阶结构的程度。实证分析表明，某些系统保留了基本的高阶结构，而在某些技术和生物网络中，它则坍缩为成对相互作用。通过受控的随机化程序，我们研究了嵌套性和度异质性在此可约化过程中的作用。我们的发现有助于当前为最小化复杂系统模型维度所做的努力。
引用
@article{arxiv.2404.08547,
title = {Reducibility of higher-order networks from dynamics},
author = {Maxime Lucas and Luca Gallo and Arsham Ghavasieh and Federico Battiston and Manlio De Domenico},
journal= {arXiv preprint arXiv:2404.08547},
year = {2026}
}