Trendaavat aiheet
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
Korkeamman tason verkkojen pakkaaminen menettämättä sitä, mikä on tärkeää.
Monet oikeat järjestelmät eivät ole pelkästään pariyhteyksistä tehtyjä. Ryhmäkeskustelu, yhteiskirjoitettu artikkeli, luokkahuone tai biokemiallinen kompleksi ovat ryhmävuorovaikutuksia, joissa kolme, 4 tai useampi olento osallistuu samanaikaisesti. Hypergraafit ovat luonnollinen tapa mallintaa tämä: laitat solmuja entiteetteille ja "hypersärmiä" jokaiselle ryhmälle, yksi kerros pareille, toinen kolmoisille, kolmas nelinkertaisille ja niin edelleen. Koukku: nämä korkeamman tason mallit kasvavat nopeasti valtaviksi, vaikeasti laskettavissa ja vaikeasti tulkittaviksi. Keskeinen kysymys on: kuinka suuri osa tästä korkeamman asteen rakenteesta on oikeasti uutta tietoa ja kuinka paljon on vain päällekkäistä alemmilla asteilla? 
Alec Kirkley, Helcio Felippe ja Federico Battiston käsittelevät tätä informaatioteoreettisella käsitteellä hypergraafien rakenteellisen pelkistettävyyden käsitteestä. Ajattele yrittäväsi lähettää kokonainen korkeamman tason verkko erittäin kalliin datayhteyden kautta. Yksi vaihtoehto on "naiivi": lähetä jokainen kerros (parit, kolmiosat, 4-tuplet, ...) itsenäisesti. Heidän vaihtoehtonsa on fiksumpi: lähetä vain pieni joukko "edustavia" kerroksia, ja kuvaa loput niistä meluisina kopioina, käyttäen vain eroja. Mitä enemmän järjestyksien välillä on päällekkäisiä rakenteita (esimerkiksi kun kaikki 2- ja 3-kappaleen vuorovaikutukset ovat jo 5-runkoisten toimesta implisiittisiä (5-runko), sitä enemmän voit puristaa.
He muuttavat tämän normalisoiduksi pistemääräksi, η välillä 0 (ei puristettavuutta) ja 1 (täydellisesti sisäkkäin, täysin pelkistettävä), sekä eksplisiittiseksi supistetuksi malliksi, joka säilyttää vain ei-redundantit vuorovaikutuskoot. Artikkelin kuvat osoittavat yksinkertaisia esimerkkejä, joissa nelikerroksinen hypergraafi voidaan optimaalisesti supistaa vain kahteen kerrokseen samalla kun se tallentaa olennaisen korkeamman asteen organisaation. 
He testaavat tämän sitten synteettisellä ja todellisella datalla. Kontrolloiduissa "sisäkkäisissä" leluhypergraafeissa η vähenee sulavasti niiden lisätessä satunnaisuutta – käyttäytyen kuin valinta "täydellisesti rakenteellisesta" "täysin satunnaiseen". Todellisissa järjestelmissä (yhteistekijyys, kontaktiverkostot, sähköpostisäikeet, tagausjärjestelmät jne.) monet niistä osoittautuvat yllättävän tiivistettäviksi: voit pudottaa useita hyperedge-järjestyksiä ja säilyttää vain pienen osan kerroksista, mutta säilyttää globaalin yhteyden, yhteisön rakenteen ja jopa korkeamman tason äänestäjämallin dynamiikan käyttäytymisen verkon päällä. 
Johtopäätös: monimutkaisen järjestelmän tutkimiseen ei usein tarvita täydellistä, kömpelöä korkeamman tason kuvausta. Oikealla informaatioteoreettisella näkökulmalla voit tunnistaa, mitkä ryhmäkoot todella lisäävät uutta rakennetta, rakentavat paljon pienemmän hypergraafin ja silti uskollisesti vangitsevat ne kollektiiviset mallit ja dynamiikat, joista välität. 
Artikkeli:

Johtavat
Rankkaus
Suosikit
