用于识别复杂网络中高阶相互作用及其相关中心性指标的组合元复形

《Chaos, Solitons & Fractals》:Combinatorial metaplexes for identifying higher-order interactions and their associated centrality indices in complex networks

【字体: 大 中 小 】 时间:2026年10月22日 来源:Chaos, Solitons & Fractals 5.7

编辑推荐:

   • 具有离散顶点结构的更高阶网络组合多层复合体 • 单纯形上的诱导权重映射保持顶点与面之间的权重 • 局部自适应阈值以验证已识别的权重支持的高阶交互 • 单纯形的度中心性、介数中心性、接近中心性和调和中心性 **引言** 复杂系统的一个基本特征是多单元的存在以及从其集体交

  

• 具有离散顶点结构的更高阶网络组合多层复合体
• 单纯形上的诱导权重映射保持顶点与面之间的权重
• 局部自适应阈值以验证已识别的权重支持的高阶交互
• 单纯形的度中心性、介数中心性、接近中心性和调和中心性

**引言**

复杂系统的一个基本特征是多单元的存在以及从其集体交互中产生的复杂性 [1]、[2]、[3]。单元之间的成对交互结构通常使用图论方法进行建模,形成了复杂网络,其中单元和交互分别表示为顶点和边 [4]、[5]、[6]、[7]。此类网络的例子包括蛋白质-蛋白质相互作用网络、脑网络和生态网络 [4]。

然而,许多复杂系统除了成对交互外,还存在群体规模大于二的单元之间的交互,称为高阶交互(HoIs)[8]、[9]、[10]、[11]。图不足以捕获高阶交互(HoIs),因为它们只能编码二元关系。因此,超图和单纯复形是通常用来显式表示HoIs的组合对象 [12]、[13]、[14]。超图由有限的顶点集合及其超边集合组成,即顶点集的子集。超边可以包含任意数量的顶点,这与简单图(下文简称图)不同,在简单图中一条边恰好包含两个顶点。高阶交互可以表示为单纯形,即顶点的非空子集。包含(k+1)个顶点的单纯形称为k-单纯形或维度为k的单纯形。单纯复形被定义为具有子集闭包性质的单纯形集合 [15]。在高阶网络中,高阶交互表示为不同维度的单纯形,如2-单纯形(三角形)和3-单纯形(四面体)。

图、超图和单纯复形通常用于建模复杂系统的交互结构 [7]、[9]、[16]。然而,这些模型主要描述交互的结构,往往忽略了构成系统的各个单元的内在结构。一种特定的模型——多层复合体框架——在单一表示中统一了内在结构和交互结构 [17]、[18]。多层复合体使用局部紧致的度量-测度连续空间来建模顶点的内在结构。然而,在某些系统中,如合著网络中作者的h指数或引用计数、交通网络中城市的人口或生态网络中物种的丰度,单元的内在结构是离散的而非连续的 [19]、[20]、[21]。对顶点加权网络的研究表明,顶点的内在权重会影响结构性方面,如中心性和社区 [20]、[22]、[23]。为了分析顶点的离散内在结构如何影响单纯复形的结构,我们引入了组合多层复合体。

组合多层复合体是一个数学框架,其中每个顶点被赋予一个表示对应单元内在结构的组合结构。每个顶点被分配一个标量作为浓度,表示单元的内在定量度量。这些顶点浓度(下文也称为权重)构成系统中的主要数量。高阶单纯形的权重通过单纯形的包含结构及分数权重贡献映射从其顶点的权重诱导而来 [24]、[25]。

在组合多层复合体中,一个顶点可能参与多个单纯形,因此其浓度在关联的单纯形(即包含该顶点的单纯形)之间分配。因此,与单纯形关联的任何数值都仅来源于聚合的顶点贡献,不会为单纯形分配独立的权重;从而将组合多层复合体与加权单纯复形区分开来 [26]、[27]、[28]。组合多层复合体通过为单个单元赋予内在结构来引入顶点级别的异质性,而多层网络则通过多个层级和连接这些层级间顶点的层间边向外扩展网络 [29]、[30]。

许多高阶网络模型使用单纯复形,特别是团复形,从成对网络数据中确定高阶交互 [2]。在团复形中,每个完全子图都被解释为高阶交互 [31]、[32]。因此,高阶交互仅从组合闭包中产生,而不考虑参与单元的内在属性。最近,仅从成对交互的知识中识别高阶交互(HoIs)已引起显著关注 [18]、[33]、[34]、[35]、[36]。组合多层复合体提供了一种稳健的方法来确定高阶交互,它将顶点结构与成对交互数据相结合。

在组合多层复合体中,高阶单纯形的包含受结构和定量条件控制。只有当其边界单纯形的聚合权重超过规定的阈值时,才会包含一个单纯形。因此,单纯形从两个同时的要求中产生:组合适格性和其边界单纯形足够的继承权重。这种方法确保所实现的"权重支持的高阶交互"由顶点的内在属性所支持,而不仅仅通过组合闭包出现。

最后,我们在组合多层复合体上引入中心性指数,包括度中心性、介数中心性、接近中心性和调和中心性,以分析内在顶点级属性如何影响结构指数。维度为1的单纯复形(或单纯复形的1-骨架)是一个图,文献中已经引入了成对网络的各种中心性指数 [6]、[37]、[38]、[39]。最基本的中心性——度中心性——计算包含顶点的边的数量(关联边)。在边加权图中,顶点的强度定义为其关联边的聚合权重。在经典的图论表述中,中心性指数主要关注基于加权边的邻接结构。将顶点权重纳入中心性定义已被探索以定义顶点加权中心性 [20]、[40]、[41]、[42]。我们的工作通过为完全加权图定义中心性指数来扩展这些构造,在完全加权图中顶点和边都被分配权重,从而提供了一个将顶点的内在属性与网络的邻接结构耦合在一起的框架。

高阶网络中的中心性指数确定了单纯形在交互结构中的重要性。将基于图的中心性扩展到单纯复形需要在单纯形之间有一个适当的邻接概念。两个不同的k-单纯形之间的邻接已被定义为上邻接(当存在一个包含这两个单纯形的(k+1)-单纯形时)和下邻接(当存在一个包含在两个单纯形中的(k-1)-单纯形时)[43]。邻接的一般化概念是两个不同的k-单纯形下邻接但不上邻接 [44]。最近,单纯复形中任意单纯形之间的p-邻接概念已被定义 [45]、[46]。

Δ的d-专属单纯复形(即Δ的d-单纯形族及其面)中的广义度中心性,以及随后的介数和接近中心性已在 [47]、[48] 中引入。加权单纯复形中单纯形的强度已使用d-专属单纯复形的张量表示来定义 [49]。在当前工作中,为了定义组合多层复合体的中心性,我们采用基于面的邻接定义,其中两个不同的k-单纯形在它们包含在一个公共面中时被认为是相邻的 [50]。

本工作的主要贡献如下:(1) 通过为每个顶点分配组合结构来引入组合多层复合体(CM),并定义每个顶点的诱导浓度;(2) 通过分数权重贡献映射将整个单纯复形上的浓度映射进行扩展,使用单纯形的关联结构将顶点的内在属性传播到高维单纯形;(3) 建立分配给0-单纯形的总权重与所有面的总权重之间的守恒关系;(4) 给出一个单纯形上的阈值标准,以从具有离散结构的顶点图在CM中包含权重支持的高阶交互;(5) 提供了一种使用阈值θ(λ,z)_q从成对网络数据构建CM的算法;(6) 为完全加权图定义了度中心性,与加权图中的先前定义一致;(7) 使用面中介邻接和加权游走的概念,给出了CM的度中心性、介数中心性、接近中心性和调和中心性的定义,以确定单纯形在CM中的重要性;(8) 使用真实世界网络示例说明CM框架,展示了基于权重的包含规则如何识别权重支持的高阶交互,与从团复形获得的纯组合高阶交互形成对比。

**节摘要**

**预备知识**

本节给出组合代数拓扑的标准定义以确保完整性。这些概念在文献中已有充分确立 [15]、[31]、[48]、[51]、[52]。

令 V = {v?, v?, …, v?},n ∈ ?,为有限的非空顶点集合。令 P(V) 表示 V 的幂集。

**定义2.1** 图 G 是一个三元组 G := (V, E, ψ_G),其中:
(i) V 是顶点集合,
(ii) E 是边集合,
(iii) ψ_G: E → V ∪ [V]2 是关联映射,将每条边分配到一到两个顶点,其中 [V]2 = {X ∈ P(V) | |X| = 2}。

**定义2.2** 简单……

**组合多层复合体**

如前所述,多层复合体框架将顶点的内在结构建模为局部紧致的度量-测度连续空间 [17]。然而,在许多系统中,单元的内在结构本质上是离散的,无法进行有意义的连续描述。在这种情况下,用有限组合结构替代内在度量-测度空间提供了一种自然的推广。因此,我们引入组合多层复合体,其中每个顶点被赋予一个……

**组合多层复合体中的中心性指数**

本节确定组合多层复合体中单纯形的中心性指数。中心性指数提供了关于CM结构的见解。无权单纯复形的中心性将无法提供关于CM的有用信息,因为CM的单纯形具有从构成顶点继承的权重。完全加权图中的中心性,其中顶点和边都具有权重,导致在CM中定义中心性,其中每个单纯形都有一个……

**说明与结果**

本节使用真实世界网络说明第3节开发的CM框架。具体而言,我们从cheddar R包 [59] 提供的食物网数据集中获得的成对数据构建CM。我们考虑美国密歇根州Tuesday Lake的食物网,其构建的成对网络包含50个顶点和263条边,所需的顶点权重和邻接数据均可用。

在这个网络中,离散结构……

**结论**

在本工作中,我们引入组合多层复合体(CM)作为一个数学框架,将系统的交互结构与其顶点的内在结构耦合在一起。本文的一个贡献是第3节中展示的浓度映射的正式构造。从顶点浓度映射 a: V → ?? 出发,我们将其扩展到整个单纯复形上。这种扩展通过分数贡献映射实现,将低维的……

**CRediT作者贡献声明**

Hiren J. Dhameliya:概念化、数据管理、形式分析、调查研究、方法论、软件、验证、可视化、原始草稿撰写、审阅与编辑。Udit Raj:概念化、方法论、验证、审阅与编辑。Sudeepto Bhattacharya:审阅与编辑、监督。

**AI辅助披露**

作者使用了一个人工智能语言模型(OpenAI开发的ChatGPT)为某些句子的改写、语言润色和基本语法修正提供了有限帮助。此外,ChatGPT还用于协助生成和优化Google Colab的计算代码,用于论文的说明部分,包括图形。本文中所呈现的所有数学结果、算法、理论发展、解释和科学结论……

**资金**

本研究未获得公共、商业或非营利部门任何资助机构的专门拨款。

**利益冲突声明**

作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

**致谢**

作者感谢匿名审稿人提出的建设性建议,这些建议大大改进了本文的整体呈现。他们也非常感谢Ernesto Estrada教授关于使用多层复合体预测高阶交互的宝贵讨论,这启发了我们开展此项研究。

Hiren J. Dhameliya | Udit Raj | Sudeepto Bhattacharya
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号