主页 › 范文 › 通信工程 › 本文

多层网络双曲嵌入框架

摘要

文章提出新型多层网络双曲嵌入框架，通过全局连接矩阵整合层间耦合信息，在庞加莱圆盘中生成分层嵌入。该方法支持异构节点集和层间连接，突破现有独立嵌入层限制。在合成多层随机块模型(SBM)中，即使层间耦合较弱(α=10)，仍能保持清晰社区结构；在癫痫患者脑网络分析中，跨患者节点定位精度提升40%。关键耦合参数μ的相变分析揭示：当μ超越临界值μ*（与平均边权正相关）时，层间对齐分数G_score突降并稳定，为多层网络相似性提供量化指标。

1. 引言

多层网络虽能有效建模复杂系统（如脑网络、社交系统），但现有嵌入方法常独立处理各层，忽略层间结构关联。双曲几何因契合现实网络的层级性与无标度特性成为理想嵌入空间：庞加莱圆盘距离函数 \[ d_{\mathbb{D}}(x,y)=\mathrm{arcosh}\left(1+\frac{2\left\|x-y\right\|^{2}}{\left(1-\|x\|^{2}\right)\left(1-\|y\|^{2}\right)}\right) \] 可自然表征节点相似性。文章针对多层网络提出联合嵌入框架，核心创新在于：

  1. 支持层间异构节点集（如脑网络不同患者区域差异）
  2. 通过耦合参数μ量化层间关联强度
  3. 在庞加莱圆盘中实现跨层节点空间一致性定位

2. 方法论

2.1 全局连接矩阵构建

设网络含L层，第l层含n_l节点。定义全局矩阵G ∈ ℝN×N (N=Σn_l)：

  • 对角块gi,i = Mi（第i层邻接矩阵）
  • 非对角块gi,j = In·μ + Mi,j (i≠j)，其中μ为耦合参数，Mi,j为层间连接矩阵

当层间节点集异构时，gi,j退化为n_i×n_j矩形矩阵，非关联节点位置填零（图1）。

2.2 双曲嵌入流程

  1. 预加权：按"吸引-排斥规则"更新边权： \[ W_{\text{RA}}\left(e_{i,j}\right)=\frac{d_{i}+d_{j}+d_{i}d_{j}}{1+CN_{ij}} \] 其中d_i为节点度，CN_ij为共同邻居数
  2. 降维：对G应用Isomap算法获取2D欧氏坐标
  3. 径向坐标分配：根据加权度w_i调整庞加莱圆盘半径： \[ r_{i}=1-\tanh\left(\frac{w_{i}}{\beta}\right) \] β控制中心性衰减速率

2.3 跨层节点定位评估

基于双曲高斯分布量化节点跨层一致性：

  1. 在克莱因模型中计算双曲重心：\(\text{HypBary}\left(X_{1},\ldots,X_{n}\right)=\frac{\sum\gamma_{i}X_{i}}{\sum\gamma_{i}}\) (γ_i=1/√(1-||X_i||²))
  2. 通过指数/对数映射投影至切空间计算协方差矩阵
  3. 定义层间对齐分数： \[ G_{\text{score}}=\frac{1}{N}\sum d_{\mathbb{D}}\left(X_{i}^{1},X_{i}^{2}\right) \] 分数越低表明跨层定位越一致

3. 实验结果

3.1 多层社区发现

在3层SBM模型（每层100节点，3社区）中：

  • 当层间耦合强度α=10（弱耦合）时，独立嵌入层无法识别社区结构（图2下），而联合嵌入清晰分离社区（图2上）
  • 随机移除节点（层1:90节点，层2:85节点）后，联合嵌入仍保持社区聚类特征

3.2 癫痫脑网络分析

对19名左侧颞叶癫痫患者和28名健康对照的扩散MRI网络（164个脑区）：

  • 多层嵌入下患者组颞叶节点聚集度较独立嵌入提升40%（图3A）
  • 双曲高斯分布显示患者组与对照组空间分布显著分离（图3红/蓝点）

3.3 耦合参数μ的相变

在双层SBM模型中（图4）：

  • 存在临界值μ*：当μ < μ*时G_score较高，μ > μ*时G_score突降并进入稳定平台期
  • μ*与网络平均边权线性相关：μ* ∝ mean(edge weight)
  • 平台值G_score*反映层间结构相似性：相似度越低，G_score*越高

4. 应用价值

该框架突破性在于：

  1. 跨系统可比性：为不同患者脑网络提供统一嵌入空间
  2. 扰动检测：通过μ参数变化识别网络结构突变
  3. 生物标记挖掘：癫痫患者颞叶节点空间聚集模式可作为诊断指标

代码开源地址：https://github.com/MartinG-38/MLNHypEmb

相关论文