科學報告：從成對數據中，看見復雜系統的高階結構

導語

真實復雜系統中的相互作用，往往不只是兩個人之間有無聯系這么簡單。犯罪團伙、語言共同體、生態互作、社交群體都可能包含三人甚至多人共同參與的高階相互作用。然而，在實際數據中，研究者通常只能觀測到成對關系：誰和誰出現過聯系、聯系了多少次、互動強不強。發表于 Scientific Reports的這項研究提出了一種貝葉斯超圖重建方法，試圖從帶噪聲的成對觀測中恢復隱藏的高階結構。它證明，在許多經驗系統和合成網絡中，如果真實相互作用確實包含群體層面的結構，那么顯式考慮超邊比普通圖模型更能準確還原系統結構。

關鍵詞：高階相互作用（higher-order interactions）、超圖（hypergraph）、網絡重構建（network reconstruction）、貝葉斯推斷（Bayesian inference）、成對觀測、噪聲數據

王璇丨作者

論文題目：Hypergraph reconstruction from uncertain pairwise observations 論文鏈接：https://www.nature.com/articles/s41598-023-48081-w 發表時間：2023年12月4日 論文來源：Scientific Reports

網絡科學長期依賴圖（graph）來描述復雜系統：節點（vertex）代表個體，邊（edge）代表兩個個體之間的關系。這種表示方式簡潔有效，但它默認相互作用是成對發生的。現實系統卻經常不滿足這一假設。三個人共同參與一次行動，并不等于三對人分別發生了獨立聯系。多個物種共同影響生態過程，也不能簡單拆成若干條兩兩作用。高階相互作用的核心意義，正在于它描述的是無法被成對關系完全還原的群體結構。

高階結構通常難以直接觀測，研究者手中的數據往往仍是成對的：兩個個體共同出現多少次，兩個物種互動多頻繁，兩個節點的時間序列相關性多強。于是，一個核心反問題出現了：如果我們只能看到帶噪聲的成對觀測，能否推斷背后是否存在三體或群體層面的隱藏結構？這篇文章正是圍繞這一問題展開，試圖從成對數據中重建隱藏的超圖。

從成對數據推斷隱藏超圖

這種問題天然帶有不確定性。首先，觀測數據本身有噪聲，同一種真實結構可能在不同測量中產生不同結果。其次，結構到觀測的映射并不是一一對應，不同隱藏結構可能產生相似甚至完全相同的成對信號。尤其在超圖中，一些邊可能被其他邊或超邊隱藏：它們是否存在，并不會改變最終觀測到的成對類型。這意味著，高階重建不可能總是給出唯一確定答案。

圖2. 具有隱藏邊的結構配置示例。

因此，研究者們采用貝葉斯推斷框架。貝葉斯方法并不強行輸出單一結構，而是根據觀測數據計算不同潛在結構的后驗概率，從而得到一組可能的超圖。這樣做的意義在于，它既能指出哪些結構最可能存在，也能保留重建過程中的不確定性。對于真實復雜系統而言，這一點比單一答案更重要，因為實際數據往往是不完整、帶噪聲、且結構信息被壓縮后的結果。

在這個框架下，網絡重建不再只是判斷這條邊有沒有，而是估計哪些二體邊和三體超邊共同解釋了觀測數據。進一步通過采樣算法在可能結構空間中搜索，使模型能夠在普通圖結構和高階超圖結構之間進行比較。這樣，不僅可以得到最可能的隱藏結構，還可以評估不同結構解釋同一組數據的可信程度。

為什么高階模型可能更準確

文章的核心比較，是超圖模型與普通分類邊模型間的差異。普通分類邊模型仍然停留在圖的層面：它允許邊有不同強度，例如弱邊和強邊，但每一條邊仍然是獨立的成對關系。超圖模型則不同，它允許三個節點共同構成一個三體超邊，并認為這種三體結構會同時影響其中三對節點的成對觀測。

這一區別決定了高階模型的優勢來源。普通圖模型主要根據單條邊的觀測強度判斷關系類型。如果某兩個節點之間觀測值較高，它傾向于認為這里存在一條強邊。超圖模型則會進一步查看局部鄰域：如果三個節點之間兩兩都表現出強互動，那么這些強信號可能不是三條彼此獨立的強邊，而是同一個三體超邊在成對層面的投影。因此，高階模型的優勢并不是多了一類邊，而是能夠利用三體相互作用在局部鄰域中誘導出的相關模式。

圖2. 方法推斷過程在小型數據集上的示例。

這一點是全文最關鍵的邏輯。一個三體超邊不會只影響一對節點，而是會同時改變三個節點對之間的觀測關系。因此，成對觀測雖然表面上是一條條邊的數據，但它們之間并不一定相互獨立。如果某種強互動總是以局部三角形的形式成組出現，那么這種鄰域相關性本身就可能是高階結構的證據。超圖模型的優勢正在于此，它不僅看單條邊的觀測強度，還利用局部鄰域中的成組模式。而普通圖模型只能逐邊判斷，因此更容易混淆弱邊、強邊和三體超邊的投影。經驗網絡與合成網絡的比較也支持這一點，當數據中存在可識別的高階局部結構時，超圖模型通常能降低互動類型的誤分類，尤其在較稀疏的系統中，穩定出現的局部三角模式更可能指向真實的三體超邊。

但高階模型并不是越復雜越好。超圖投影會造成信息損失，某些高階結構在原則上不可恢復。當普通二體邊本身也大量形成三角形時，模型就很難判斷一個三角形究竟是真正的三體相互作用，還是三條成對邊的組合。此時，鄰域結構不再提供額外信息，超圖模型的優勢會減弱，甚至可能因為引入更復雜的結構假設而產生額外誤差。因此，高階建模是否有價值，不取決于研究者是否相信高階相互作用重要，而取決于數據中是否保留了足夠的統計證據，用來區分真正的群體互動和看起來像群體互動的成對關系。如果這種證據存在，超圖模型能夠提高重建精度，如果這種證據被噪聲或結構退化掩蓋，再復雜的高階模型也無法可靠恢復真實結構。

高階重建的價值與邊界

復雜系統的群體高階互動，往往隱匿于可觀測的成對關系數據之中，但并非所有局部三角結構，都等同于三體相互作用。這項研究的核心價值，不止在于提出全新的超圖重建算法，更為高階網絡科學提供了一套更貼合現實場景的研究范式。這也說明，高階網絡重建的核心，并非刻意佐證高階相互作用的存在，而是在噪聲干擾、數據殘缺、觀測間接的真實場景中，依托統計證據判斷復雜高階結構是否成立。該研究將高階網絡研究從理論概念探討，推進到了可落地的概率推斷層面，同時也為后續研究指明方向。未來需針對大規模超邊、復雜觀測噪聲、受約束的單純復形等場景，迭代優化適配真實復雜系統的高階重建方法。

復雜系統管理學讀書會第四季

集智俱樂部「」邀請清華大學教授、西南財經大學社會發展研究院客座教授羅家德，電子科技大學計算機科學與工程學院教授周濤，復旦大學計算與智能創新學院教授陳陽，暨南大學新聞與傳播學院副教授趙甜芳，以及產業復雜科學推動者、北大縱橫合伙人陳雁鴻共同發起。

第四季復雜系統管理學讀書會立足于“AI驅動的復雜組織系統管理”這一主題，旨在突破單一視角的局限，從管理哲學與前沿技術的雙重視角，探尋人工智能時代組織進化的未來路徑。從 2026 年 6 月 13 日開始，每周六下午 14:30-16:30，預計持續 8～10 周。期待與各位同仁共同學習復雜系統管理領域的前沿理論、共同探討復雜科學理論在 AI 組織管理場景的實踐與展望，一起應對百年未有之大變局下的組織發展未來。

詳情請見：

1.

2.

3.

4.

5.

6.

7.

8.