bei Google ScholarTitelangaben
Lücke, Marvin ; Winkelmann, Stefanie ; Heitzig, Jobst ; Molkenthin, Nora ; Koltai, Peter:
Learning interpretable collective variables for spreading processes on networks.
In: Physical Review E.
Bd. 109
(2024)
Heft 2
.
- L022301.
ISSN 2470-0053
DOI: https://doi.org/10.1103/PhysRevE.109.L022301
Abstract
Collective variables (CVs) are low-dimensional projections of high-dimensional system states. They are used to gain insights into complex emergent dynamical behaviors of processes on networks. The relation between CVs and network measures is not well understood and its derivation typically requires detailed knowledge of both the dynamical system and the network topology. In this Letter, we present a data-driven method for algorithmically learning and understanding CVs for binary-state spreading processes on networks of arbitrary topology. We demonstrate our method using four example networks: the stochastic block model, a ring-shaped graph, a random regular graph, and a scale-free network generated by the Albert-Barabási model. Our results deliver evidence for the existence of low-dimensional CVs even in cases that are not yet understood theoretically.
Weitere Angaben
| Publikationsform: | Artikel in einer Zeitschrift |
|---|---|
| Begutachteter Beitrag: | Ja |
| Institutionen der Universität: | Fakultäten > Fakultät für Mathematik, Physik und Informatik > Mathematisches Institut > Lehrstuhl Dynamical Systems and Data > Lehrstuhl Dynamical Systems and Data - Univ.-Prof. Dr. Peter Koltai Fakultäten Fakultäten > Fakultät für Mathematik, Physik und Informatik Fakultäten > Fakultät für Mathematik, Physik und Informatik > Mathematisches Institut Fakultäten > Fakultät für Mathematik, Physik und Informatik > Mathematisches Institut > Lehrstuhl Dynamical Systems and Data |
| Titel an der UBT entstanden: | Nein |
| Themengebiete aus DDC: | 500 Naturwissenschaften und Mathematik > 510 Mathematik 500 Naturwissenschaften und Mathematik > 530 Physik |
| Eingestellt am: | 20 Jul 2023 05:24 |
| Letzte Änderung: | 08 Feb 2024 08:46 |
| URI: | https://eref.uni-bayreuth.de/id/eprint/86184 |