Ching, Emily SC, and P. H. Tam. “Effects of hidden nodes on the reconstruction of bidirectional networks.” Physical Review E 98.6 (2018): 062318.
本文考虑隐藏节点(某个节点不知道他的存在,也无法对他进行测量,这样的节点称为虑隐藏节点)对无向网络的影响。
理论推导:
考虑在固定点附近运动的微粉动力学:
d
x
i
d
t
=
f
(
x
i
)
+
∑
j
≠
I
A
i
j
h
(
x
j
−
x
i
)
+
η
i
\frac{dx_i}{dt}=f(x_i)+\sum_{j\neq I} A_{ij}h(x_j−x_i)+\eta_ i
dtdxi=f(xi)+j̸=I∑Aijh(xj−xi)+ηi
将其线性化可得:
d
δ
x
d
t
=
A
δ
x
+
η
i
\frac{d\delta x}{dt}=\bm{A}\delta x+\eta_ i
dtdδx=Aδx+ηi
定义协方差矩阵:
Σ
=
<
[
x
(
t
)
−
<
x
(
t
)
>
]
[
x
(
t
)
−
<
x
(
t
)
>
]
T
>
\bm{\Sigma}=<[x(t)-<x(t)>][x(t)-<x(t)>]^T>
Σ=<[x(t)−<x(t)>][x(t)−<x(t)>]T>
如果是无向网络,我们有
A
=
−
σ
2
2
Σ
−
1
\bm{A}=-\frac{\sigma^2}{2}\bm{\Sigma}^{-1}
A=−2σ2Σ−1
σ
2
\sigma^2
σ2表示噪声强度。如果只有部分节点(
y
i
(
t
)
y_i(t)
yi(t))已知,那么我们只能得到部分节点的协方差矩阵:
Σ
m
=
<
[
y
(
t
)
−
<
y
(
t
)
>
]
[
y
(
t
)
−
<
y
(
t
)
>
]
T
>
\bm{\Sigma}_m=<[y(t)-<y(t)>][y(t)-<y(t)>]^T>
Σm=<[y(t)−<y(t)>][y(t)−<y(t)>]T>
对于全局而言,我们有
A
=
[
A
m
E
E
T
A
h
]
\bm{A}=\begin{bmatrix} \bm{A}_m & \bm{E} \\ \bm{E}^T & \bm{A}_h \end{bmatrix}
A=[AmETEAh]
Σ = [ Σ m U U T Σ h ] \bm{\Sigma}=\begin{bmatrix} \bm{\Sigma}_m & \bm{U} \\ \bm{U}^T & \bm{\Sigma}_h \end{bmatrix} Σ=[ΣmUTUΣh]
A h \bm{A}_h Ah和 Σ h \bm{\Sigma}_h Σh表示隐藏节点之间的连接和协防差, E \bm{E} E和 U \bm{U} U表示隐藏节点和可测节点之间的连接和协防差。
根据
A
=
−
σ
2
2
Σ
−
1
\bm{A}=-\frac{\sigma^2}{2}\bm{\Sigma}^{-1}
A=−2σ2Σ−1可得(分块矩阵的乘法):
I
n
=
−
2
σ
2
[
Σ
m
A
m
+
U
E
T
]
\bm{I}_n=-\frac{2}{\sigma^2}[\bm{\Sigma}_m\bm{A}_m+\bm{U}\bm{E}^T]
In=−σ22[ΣmAm+UET]
0 = Σ m E + U A h 0= \bm{\Sigma}_m\bm{E}+\bm{U}\bm{A}_h 0=ΣmE+UAh
那么可得:
Σ
m
−
1
=
−
2
σ
2
[
A
m
+
Σ
m
−
1
U
E
T
]
\bm{\Sigma}_m^{-1}=-\frac{2}{\sigma^2}[\bm{A}_m+\bm{\Sigma}_m^{-1}\bm{U}\bm{E}^T]
Σm−1=−σ22[Am+Σm−1UET]
Σ m − 1 = − E [ U A h ] − 1 \bm{\Sigma}_m^{-1}=-\bm{E}[\bm{U}\bm{A}_h]^{-1} Σm−1=−E[UAh]−1
Σ m − 1 = − 2 σ 2 [ A m − E [ U A h ] − 1 U E T ] \bm{\Sigma}_m^{-1}=-\frac{2}{\sigma^2}[\bm{A}_m-\bm{E}[\bm{U}\bm{A}_h]^{-1}\bm{U}\bm{E}^T] Σm−1=−σ22[Am−E[UAh]−1UET]
Σ m − 1 = − 2 σ 2 [ A m − E A h − 1 E T ] \bm{\Sigma}_m^{-1}=-\frac{2}{\sigma^2}[\bm{A}_m-\bm{E}\bm{A}_h^{-1}\bm{E}^T] Σm−1=−σ22[Am−EAh−1ET]
定义
C
=
E
A
h
−
1
E
T
\bm{C}=\bm{E}\bm{A}_h^{-1}\bm{E}^T
C=EAh−1ET,文章后面分析隐藏节点对协方差的逆影响。主要影响因素是在可测节点之间由隐藏节点而连通的边的个数、强度(
E
\bm{E}
E)和隐藏节点之间的强度(
A
h
−
1
\bm{A}_h^{-1}
Ah−1)。
数值仿真:
考虑5种网络,其中四个由 100 个节点组成,一个由 1000 个节点组成
- Network A:由两个 50 个节点的随机网络组成,连接概率为 0.2,连接强度服从 N ( 10 , 4 ) N(10,4) N(10,4) 分布,他们之间不连接,把其中一个网络的节点作为可观测节点,另一个网络的节点当作是隐藏节点
- Network B:是一个 100 个节点的随机网络组成,连接概率为 0.2,连接强度服从 N ( 10 , 4 ) N(10,4) N(10,4) 分布,选择其中一部分节点作为隐藏节点,其余的为可观测节点
- Network C:是一个 100 个节点的随机网络组成,连接概率为 0.2,80% 的连边连接强度服从 N ( 10 , 4 ) N(10,4) N(10,4)分布,20% 的连边连接强度服从 N ( − 10 , 4 ) N(-10,4) N(−10,4)分布,隐藏节点从网络中随机选择
- Network D:是一个1000个节点的网络,网络节点的度分布服从幂律分布,连接强度服从 N ( 10 , 4 ) N(10,4) N(10,4)分布,隐藏节点从网络中随机选择
- Network E:先生成一个 70 个节点随机网络,连接概率为 0.2,连边连接强度服从 N ( − 10 , 4 ) N(-10,4) N(−10,4)分布,再外加30个隐藏节点,和某个隐藏节点连接的可测节点之间不直接连接,隐藏节点之间连接概率为 0.2,连边连接强度服从 N ( − 10 , 4 ) N(-10,4) N(−10,4)分布
观测节点与隐藏节点没有连接,显然对协方差的逆没有影线:
隐藏节点越多,影响越大
当权重有正有负时
当为幂律网络时
当观测节点之间由隐藏节点影响时