因果网络的关联增长 Correlated Growth of Causal Networks

Correlated Growth of Causal Networks

因果网络的关联增长

https://arxiv.org/pdf/2412.16647

对复杂系统中因果结构的研究日益受到关注，许多近期研究探讨了因果网络在不同领域中所体现的因果关系。尽管越来越多的实证证据表明因果结构与网络拓扑相关性之间存在联系，但因果网络中这些相关性出现的机制仍远未被理解。在这项研究中，我们提出了一个用于因果网络增长的通用框架，该框架包含了两种关键类型的关联：因果关联和动态关联。我们通过解析方法证明，度相关性是这些关联上边际依赖的结果。我们的理论预测与来自四个大规模创新网络的实证数据在定量上一致。该理论不仅揭示了拓扑相关性的起源，还为理解因果系统中的关联增长提供了一个通用框架。

因果网络在捕捉各种领域中的因果关系方面起着核心作用[1–3]。近年来，随着对各学科中因果结构理解的不断深入，包括量子通信[6]、宇宙学[7]、量子引力[8–10]、社会科学[11–13]、计算机科学[14]、技术[1, 15]以及生物科学[16–19]等领域的进展，人们对因果网络的兴趣日益增长[4, 5]，其应用范围也显著扩大。例如，在科学研究中的引用网络结构，受思想之间因果依赖性的支配，其中创新往往受到先前知识的启发[20]。同样地，在生物进化中，特征的遗传也遵循已有特征的因果依赖性[18, 19]。

从物理学的角度来看，因果网络本质上是刚性的，因为过去事件是不可更改的。其中顶点代表事件，有向边表示固定的因果关系。与一般网络不同的是，因果网络不能通过重连或回溯修改而不违反时间一致性和因果一致性。这种刚性可以通过有向无环图（DAG）来表示，反映出时间的单向箭头。因此，因果网络作为时间顺序和因果关系的静态记录，区别于可动态调整的一般网络[21–23]。例如，像社交媒体中的关注-被关注关系这样的通用网络可以通过重连或删除动态演化，而因果网络则提供了“关注”或“取消关注”等交互行为的静态记录，保留了动作的历史流动。在因果网络中，这类动态通过事件生成机制加以简化，利用增长网络的方法[1, 13, 24–26]，从而具有更广泛的应用潜力。

因果网络的特点在于其包含多种相关性，这些相关性用于量化实体之间的依赖关系。其中特别重要的是拓扑相关性，它揭示了网络结构的非随机组织方式[27–30]。这些相关性为因果关系如何塑造网络架构提供了关键见解。越来越多的实证证据表明，拓扑相关性对于因果网络的发展至关重要[1, 31, 32]。例如，人们认为引用网络中的拓扑相关性决定了科学影响力的继承模式[33]。同样，在生态事件网络中，反映不同事件之间因果关系的拓扑相关性在塑造微生物群落结构方面发挥着关键作用[34]。虽然在量化一般网络的拓扑相关性方面已取得实质性进展[29, 35–37]，但尝试显式建模网络相关性的研究仍相对较少[38–40]，而且这些模型主要集中在非因果网络上。由于因果网络的基本区别意味着传统的网络相关性模型，尤其是那些依赖动态重连机制的模型[21–23]，无法完全捕捉因果网络内部产生的独特相关性模式。

在这篇论文中，我们提出了一种适用于因果网络的通用关联增长框架，该框架包含了两个关键机制：1）动态相关性，用于捕捉个体度数增长过程中的长程时间相关性；2）因果相关性，即个体与其后继者之间的因果关系跨代传播。通过解析求解联合度分布，我们明确展示了度相关性是从对动态相关性和因果相关性的边缘依赖中产生的。将我们的理论应用于四个不同学科的大规模创新网络，我们发现理论预测与实证观察在定量上高度一致。作为一种统一建模因果网络中关联增长的方法，我们的框架有望影响广泛的多个领域。

实证验证 ：为了将我们的理论与实证数据进行对照验证，我们将其应用于科学创新系统——这一系统可以被理解为一个因果网络，其中新创新的产生在因果上依赖于已有知识。我们使用了覆盖1970年至2014年的《科学引文索引》（Web of Science, WOS）数据集，该数据集包含4400万篇论文和8亿条引用关系。为简化起见，本文中所考虑的因果网络是引用网络，关注论文发表事件，并聚焦于一种单一类型的因果关系：sobs = “引用”（cite），它将新知识与其智力前身相连接。

利用WOS数据集，我们提取了四个不同学科领域的引用网络，分别属于生物学、化学、数学和物理学，各自包含1300万、900万、300万和700万个节点（详见补充材料第2.1节）。

已有研究表明，个体层面的增长过程遵循一种强化泊松过程 （Reinforced Poisson Process, RPP），该过程同时包含了优先连接（preferential attachment）和老化效应（aging）[12, 41]。具体而言，增长速率由下式给出：

讨论 ：我们的研究表明，因果网络中的拓扑相关性自然起源于网络增长过程中存在的基本因果相关性和动态相关性。解析结果明确揭示了这些相关性会引发边缘依赖关系，进而产生可观测的度相关性。我们通过将理论框架应用于实证引用图谱进行了验证，这些引用图谱作为具有代表性的现实世界示例，进一步支持了我们的理论发现。

与现有的基于适应度的模型相比——这些模型为每个节点分配一个独立的适应度值，并对包含 N个节点的网络需要 O(N)个参数——此类模型常常面临过拟合并限制预测能力的问题。相比之下，我们的模型引入了适应度值之间的因果依赖关系，并通过一个因果核函数 （causal kernel）加以编码，将自由参数的数量从 O(N)减少到 O(1)。这种结构化的方法不仅缓解了过拟合问题，还提升了模型的解释力和预测能力。因此，我们的方法解决了现有模型的一些显著局限性 [11, 12]，并表明因果依赖关系为建模现实世界网络提供了一个更紧凑且更具泛化能力的框架。

尽管我们的理论成功地捕捉了关键的因果依赖关系，但仍存在若干开放性问题。其中一个主要挑战是如何纳入随时间变化的状态分布 ，特别是在表现出非平稳增长的因果网络中。如果方程（4）不存在解，则稳态假设失效。这可能发生在因果核函数具有足够宽尾分布的情况下，导致网络出现超指数增长，从而破坏时间平移不变性（TTI）。这种情况与“赢者通吃”（winner-takes-all）相密切相关，在该相中，极少数节点积累了不成比例的影响力，类似于玻色-爱因斯坦凝聚现象 [25]。由于我们在所分析的实证数据中未观察到这种行为，我们将对其的深入研究留待未来工作。

另一个重要的研究方向是探索超越最近邻层面的拓扑相关性 。高阶结构依赖性可能揭示更多支配网络形成的因果机制，从而进一步丰富我们对复杂系统中动态相关性的理解。

尽管仍存在上述挑战，我们的研究成果为理解因果网络中的相关性提供了坚实的基础。通过引入因果相关核函数，我们的框架可广泛适用于包括社交媒体、生物进化和经济增长在内的多种系统。该方法为理解因果结构与网络拓扑之间的相互作用提供了新的视角，在物理学、经济学、社会科学和生物学等多个领域具有广泛的影响。

原文链接：https://arxiv.org/pdf/2412.16647