Ağ hiyerarşi entropisiyle grafik farklılığını nicelleştirmek

Ağlardaki Küçük Farklar Neden Önemli

Sosyal medya arkadaşlıklarından havayolu rotalarına ve protein yapılarına kadar çevremizdeki pek çok sistem, düğümler ve bağlantılardan oluşan ağlar olarak temsil edilebilir. İki böyle ağın gerçekten anlamlı biçimde ne zaman farklı olduğunu söylemekse, ilk bakışta benzer görünseler bile şaşırtıcı derecede zordur. Bu makale, yalnızca bireysel noktaları (düğümleri) değil, aynı zamanda bağlantıları (kenarları) ve bunların birlikte nasıl işlediğini dikkate alarak iki ağın gerçekte ne kadar farklı olduğunu ölçmenin yeni bir yolunu tanıtıyor. Ağ hiyerarşi entropisi adını verdikleri yöntem, diğer araçların kaçırdığı ince yapısal değişiklikleri tespit edebiliyor ve hatta enzim proteinleri ile enzim olmayanları ayırt etmeye yardımcı oluyor.

Ağları Katman Katman Görmek

Bir ağı anlamak için yazarlar önce her düğümün diğer tüm düğümlere bağlantı adımları cinsinden ne kadar uzak olduğuna bakıyor. Seçilen herhangi bir düğüm etrafında diğer düğümler katmanlar halinde gruplanabilir: hemen komşular, komşuların komşuları vb. Bir düğüm etrafındaki bu “hiyerarşi”, etkinin veya bir enfeksiyonun ağ boyunca nasıl yayılabileceğini açıklar. Ancak iki çok farklı ağın aynı düğüm düzeyindeki katman yapısını paylaşabileceği gerçeği, bu bakışın tek başına onları ayırt etmekte yetersiz kalabileceğini gösterir. Makale, Desargues ve Dodekahedral gibi klasik örneklerde iç bağlantı düzenleri farklı olmasına rağmen düğüm hiyerarşilerinin özdeş olduğunu ortaya koyuyor.

Bağlantıların Konuşmasına İzin Vermek: Düğüm Çiftlerini Küçültmek

Düğüm düzeyindeki bakışın kaçırdıklarını yakalamak için yazarlar kenarlara — düğümler arasındaki bağlantılara — ve bunların ağ genelindeki mesafeleri nasıl yeniden şekillendirdiğine odaklanıyor. Basit ama güçlü bir fikir sunuyorlar: “düğüm çifti küçültme.” Burada, birbirine bağlı iki düğüm geçici olarak tek bir yeni düğümde birleştiriliyor, ancak birleşik komşulukları korunuyor. Bu, her diğer düğümün çifte olan uzaklığının, her bir uç noktanınkinden nasıl farklılaştığını ortaya koyuyor. Yayılma terimleriyle bu, bir bağlantının her iki ucunun aynı anda enfekte edilmesinin etkisini, sadece tek bir düğümden başlamaya kıyasla taklit ediyor. Bu katmanlı mesafe desenlerinden hem düğümler hem de kenarlar için “hiyerarşi merkeziyetini” tanımlıyorlar; bu ölçüm, simüle edilmiş salgınlarda hangi düğümlerin veya kenarların iyi yayıcılar olduğunu güçlü biçimde yansıtıyor.

Bilgi Kaybını Entropiyle Ölçmek

Bu merkeziliklerden yola çıkarak yazarlar iki tür hiyerarşi entropisi tanımlıyor. Kenar hiyerarşi entropisi şu soruyu soruyor: bir kenarın önemini, bağlandığı iki düğümün öneminin ortalamasıyla yaklaşık olarak vermeye çalışırsak ne kadar bilgi kaybederiz? Düğüm hiyerarşi entropisi ise düğümler ve çevresindeki kenarlar için tersini soruyor. Her iki nicelik de genel ağ boyutuna bağlı olmayacak şekilde normalize ediliyor. Birlikte bunlar herhangi bir ağ için iki sayıdan oluşan bir parmak izi oluşturuyor. İki ağ arasındaki mesafe daha sonra bu parmak izleri arasındaki geometrik mesafe olarak tanımlanıyor. Bu yeni metrik, bir mesafe için beklenen standart kurallara uyuyor ve bir değişiklik ağın parçalanmasına yol açtığında daha büyük cezalar vermek gibi sezgisel fikirlerle örtüşüyor.

Daha İnce Yapıyı ve Zaman İçindeki Değişimi Görmek

Yazarlar ölçülerini hem yapay hem de gerçek ağlarda test ediyor. Sosyal veya teknolojik sistemleri taklit eden sentetik kıyaslama setlerinde yeni metrik, model parametreleri değiştikçe ağların nasıl evrildiğini izleyebiliyor ve güçlü topluluklara sahip ağları toplulukların daha zayıf olduğu ağlardan açıkça ayırıyor; bu, bazı rakip yöntemlerin zorlandığı durumlarda bile geçerli. Derece dizileri ve hatta mesafe dağılımları gibi birçok ortak istatistiği koruyacak şekilde dikkatle karıştırılmış kontrollü deneylerde bile hiyerarşi entropisi mesafesi, diğer popüler ölçümlerin önemsiz saydığı farkları tespit ediyor. Ayrıca aynı ağın rastgeleleştirilmiş versiyonlarını doğru kategorilere ayırmada üstünlük gösteriyor; bu da bağlantı ve yol sayımlarının ötesine geçen daha yüksek düzeyde yapısal duyarlılığa işaret ediyor.

Gerçek Dünya Kullanımları: Hareketlilik ve Proteinler

Pratik değeri göstermek için yazarlar mesafelerini COVID-19’un ilk aylarında yüzlerce Çin şehri arasındaki günlük hareketlilik ağlarına uyguluyor. Ocak başını bir temel olarak kullanarak hiyerarşi entropisi, Ay Yeni Yılı seyahat yoğunluğu, sıkı karantinanın başlaması ve kademeli toparlanma dönemleri boyunca seyahat düzenlerinin nasıl değiştiğini ortaya koyuyor; bu değişimler bilinen politika değişiklikleri ve hareketlilik topluluğu desenleriyle iyi örtüşüyor. Başka bir uygulamada ise protein yapılarını uzayda birbirine yakın olduklarında birbirine bağlı aminoasitlerden oluşan ağlar olarak ele alıyorlar. Öğrenme veya el yapımı özellikler kullanmadan, yeni mesafeye göre yapılan protein kümeleme çalışması enzimleri enzim olmayanlardan ayırmada yaklaşık %75 doğruluk elde ediyor — bu, modern denetimli sinir ağlı yaklaşımlarla yarışabilecek bir performans.

Basitçe Ne Anlama Geliyor

Özetle, bu çalışma düğümlerin ve bağlantıların birlikte ağdaki mesafeleri nasıl şekillendirdiğine dikkat etmenin, yalnızca düğümlere bakmaktan çok daha keskin bir “parmak izi” sağladığını gösteriyor. Kenarları uç noktalarının ortalamasıyla veya düğümleri çevreleyen kenarlarla değiştirmeye çalıştığımızda ne kadar bilgi kaybettiğimizi nicelendirerek önerilen hiyerarşi entropisi mesafesi, yayılma, hareketlilik ve biyolojik işlev üzerinde güçlü etkileri olan ince yapısal farklılıkları öne çıkarıyor. Her türlü ağ verisiyle çalışan bilim insanları ve analistler için bu, hem matematiksel olarak sağlam hem de ağlarda süreçlerin gerçekte nasıl ilerlediğiyle yakından ilişkili, pratik ve genel amaçlı bir karşılaştırma aracı sunuyor.

Atıf: Mou, J., Wang, L., Zhang, C. et al. Network hierarchy entropy for quantifying graph dissimilarity. Commun Phys 9, 83 (2026). https://doi.org/10.1038/s42005-026-02523-9

Anahtar kelimeler: ağ benzerliği, karmaşık ağlar, entropi ölçüleri, epidemik yayılma, protein yapı ağları