通過基于熵率的框架量化的時間網絡的可預測性

網絡或圖形是對復雜系統中組件之間的內部結構的數學描述，例如神經元之間的連接，蛋白質之間的交互，人群中的個人之間的接觸以及在線社交平臺中用戶之間的交互。大多數實際網絡中的鏈接會隨時間而變化，此類網絡通常稱為時間網絡。鏈接的時間性編碼節點之間交互的順序和因果關系，并對神經網絡功能，疾病傳播，信息聚集和推薦，協作行為的出現以及網絡可控性產生深遠影響。越來越多的研究集中在挖掘時態網絡中的模式并使用機器學習技術(尤其是圖神經網絡)預測其未來發展。然而，

最近，由曹憲斌，北京航空航天大學和上海同濟大學的嚴剛領導的研究小組在《國家科學評論》上發表了題為“真實時間網絡的可預測性”的論文，并提出了量化時間網絡可預測性的框架基于隨機場的熵率。

作者繪制了任何給定的網絡到時間拓撲矩陣，然后通過回歸算子將經典熵率計算(僅適用于平方矩陣)擴展到任意矩陣。在兩個典型的時間網絡模型中驗證了這種時間拓撲可預測性的顯著優勢。應用該方法計算18個真實網絡的可預測性后，作者發現，在不同類型的真實網絡中，拓撲和時間性對網絡可預測性的貢獻是顯著變化的;盡管時間拓撲可預測性的理論基線和難度遠高于一維時間序列，但大多數實際網絡的時間拓撲可預測性仍高于時間序列。

本研究計算的可預測性極限是時間網絡的固有屬性，即獨立于任何預測算法，因此它也可用于衡量改進預測算法的可能空間。作者檢查了三種廣泛使用的預測算法，發現這些算法的性能明顯低于大多數實際網絡中的預測極限，這表明需要同時考慮網絡時間和拓撲特征的新預測算法的必要性。