网络动力学的谱模揭示临界性附近信息复杂性的增强
神经与进化计算
2017-07-06 v1 物理与社会
神经元与认知
摘要
动态网络系统的信息复杂性告诉我们关于这些复杂系统的内在机制和功能的什么信息？近期的复杂性度量如集成信息（integrated information）试图从整体对部分的视角将这一问题操作化，即显式计算网络作为一个整体在状态转移期间所生成的信息量，超出其各部分之和所生成的信息量。尽管存在几种用于估计网络集成信息的数值方案，但寻求一种将集成信息计算为网络权重函数的解析方法是有益的。我们的集成信息公式使用了网络状态集合上的多元分布与对应于其各部分的因子化分布之间的 Kullback-Leibler 散度。通过实现随机高斯动力学，我们对几种原型网络拓扑进行了计算。我们的发现显示了临界性附近信息复杂性的增加，这在各种网络拓扑中保持一致。对系统动力学的谱分解揭示了信息复杂性如何由网络协方差矩阵和邻接矩阵两者的特征模所支配。我们发现，随着系统动力学接近临界性，高集成信息完全由对应于协方差矩阵主导特征值的特征模驱动，而次主导模受到抑制。这一结果的启示是，诸如人脑或通信系统这样的复杂动态网络系统可能倾向于在临界性附近运行，从而实现高效的信息集成。
引用
@article{arxiv.1707.01446,
title = {Spectral Modes of Network Dynamics Reveal Increased Informational Complexity Near Criticality},
author = {Xerxes D. Arsiwalla and Pedro A. M. Mediano and Paul F. M. J. Verschure},
journal= {arXiv preprint arXiv:1707.01446},
year = {2017}
}