科学报告：从成对数据中，看见复杂系统的高阶结构

导语

真实复杂系统中的相互作用，往往不只是两个人之间有无联系这么简单。犯罪团伙、语言共同体、生态互作、社交群体都可能包含三人甚至多人共同参与的高阶相互作用。然而，在实际数据中，研究者通常只能观测到成对关系：谁和谁出现过联系、联系了多少次、互动强不强。发表于 Scientific Reports的这项研究提出了一种贝叶斯超图重建方法，试图从带噪声的成对观测中恢复隐藏的高阶结构。它证明，在许多经验系统和合成网络中，如果真实相互作用确实包含群体层面的结构，那么显式考虑超边比普通图模型更能准确还原系统结构。

关键词：高阶相互作用（higher-order interactions）、超图（hypergraph）、网络重构建（network reconstruction）、贝叶斯推断（Bayesian inference）、成对观测、噪声数据

王璇丨作者

论文题目：Hypergraph reconstruction from uncertain pairwise observations 论文链接：https://www.nature.com/articles/s41598-023-48081-w 发表时间：2023年12月4日 论文来源：Scientific Reports

网络科学长期依赖图（graph）来描述复杂系统：节点（vertex）代表个体，边（edge）代表两个个体之间的关系。这种表示方式简洁有效，但它默认相互作用是成对发生的。现实系统却经常不满足这一假设。三个人共同参与一次行动，并不等于三对人分别发生了独立联系。多个物种共同影响生态过程，也不能简单拆成若干条两两作用。高阶相互作用的核心意义，正在于它描述的是无法被成对关系完全还原的群体结构。

高阶结构通常难以直接观测，研究者手中的数据往往仍是成对的：两个个体共同出现多少次，两个物种互动多频繁，两个节点的时间序列相关性多强。于是，一个核心反问题出现了：如果我们只能看到带噪声的成对观测，能否推断背后是否存在三体或群体层面的隐藏结构？这篇文章正是围绕这一问题展开，试图从成对数据中重建隐藏的超图。

从成对数据推断隐藏超图

这种问题天然带有不确定性。首先，观测数据本身有噪声，同一种真实结构可能在不同测量中产生不同结果。其次，结构到观测的映射并不是一一对应，不同隐藏结构可能产生相似甚至完全相同的成对信号。尤其在超图中，一些边可能被其他边或超边隐藏：它们是否存在，并不会改变最终观测到的成对类型。这意味着，高阶重建不可能总是给出唯一确定答案。

图2. 具有隐藏边的结构配置示例。

因此，研究者们采用贝叶斯推断框架。贝叶斯方法并不强行输出单一结构，而是根据观测数据计算不同潜在结构的后验概率，从而得到一组可能的超图。这样做的意义在于，它既能指出哪些结构最可能存在，也能保留重建过程中的不确定性。对于真实复杂系统而言，这一点比单一答案更重要，因为实际数据往往是不完整、带噪声、且结构信息被压缩后的结果。

在这个框架下，网络重建不再只是判断这条边有没有，而是估计哪些二体边和三体超边共同解释了观测数据。进一步通过采样算法在可能结构空间中搜索，使模型能够在普通图结构和高阶超图结构之间进行比较。这样，不仅可以得到最可能的隐藏结构，还可以评估不同结构解释同一组数据的可信程度。

为什么高阶模型可能更准确

文章的核心比较，是超图模型与普通分类边模型间的差异。普通分类边模型仍然停留在图的层面：它允许边有不同强度，例如弱边和强边，但每一条边仍然是独立的成对关系。超图模型则不同，它允许三个节点共同构成一个三体超边，并认为这种三体结构会同时影响其中三对节点的成对观测。

这一区别决定了高阶模型的优势来源。普通图模型主要根据单条边的观测强度判断关系类型。如果某两个节点之间观测值较高，它倾向于认为这里存在一条强边。超图模型则会进一步查看局部邻域：如果三个节点之间两两都表现出强互动，那么这些强信号可能不是三条彼此独立的强边，而是同一个三体超边在成对层面的投影。因此，高阶模型的优势并不是多了一类边，而是能够利用三体相互作用在局部邻域中诱导出的相关模式。

图2. 方法推断过程在小型数据集上的示例。

这一点是全文最关键的逻辑。一个三体超边不会只影响一对节点，而是会同时改变三个节点对之间的观测关系。因此，成对观测虽然表面上是一条条边的数据，但它们之间并不一定相互独立。如果某种强互动总是以局部三角形的形式成组出现，那么这种邻域相关性本身就可能是高阶结构的证据。超图模型的优势正在于此，它不仅看单条边的观测强度，还利用局部邻域中的成组模式。而普通图模型只能逐边判断，因此更容易混淆弱边、强边和三体超边的投影。经验网络与合成网络的比较也支持这一点，当数据中存在可识别的高阶局部结构时，超图模型通常能降低互动类型的误分类，尤其在较稀疏的系统中，稳定出现的局部三角模式更可能指向真实的三体超边。

但高阶模型并不是越复杂越好。超图投影会造成信息损失，某些高阶结构在原则上不可恢复。当普通二体边本身也大量形成三角形时，模型就很难判断一个三角形究竟是真正的三体相互作用，还是三条成对边的组合。此时，邻域结构不再提供额外信息，超图模型的优势会减弱，甚至可能因为引入更复杂的结构假设而产生额外误差。因此，高阶建模是否有价值，不取决于研究者是否相信高阶相互作用重要，而取决于数据中是否保留了足够的统计证据，用来区分真正的群体互动和看起来像群体互动的成对关系。如果这种证据存在，超图模型能够提高重建精度，如果这种证据被噪声或结构退化掩盖，再复杂的高阶模型也无法可靠恢复真实结构。

高阶重建的价值与边界

复杂系统的群体高阶互动，往往隐匿于可观测的成对关系数据之中，但并非所有局部三角结构，都等同于三体相互作用。这项研究的核心价值，不止在于提出全新的超图重建算法，更为高阶网络科学提供了一套更贴合现实场景的研究范式。这也说明，高阶网络重建的核心，并非刻意佐证高阶相互作用的存在，而是在噪声干扰、数据残缺、观测间接的真实场景中，依托统计证据判断复杂高阶结构是否成立。该研究将高阶网络研究从理论概念探讨，推进到了可落地的概率推断层面，同时也为后续研究指明方向。未来需针对大规模超边、复杂观测噪声、受约束的单纯复形等场景，迭代优化适配真实复杂系统的高阶重建方法。

复杂系统管理学读书会第四季

集智俱乐部「」邀请清华大学教授、西南财经大学社会发展研究院客座教授罗家德，电子科技大学计算机科学与工程学院教授周涛，复旦大学计算与智能创新学院教授陈阳，暨南大学新闻与传播学院副教授赵甜芳，以及产业复杂科学推动者、北大纵横合伙人陈雁鸿共同发起。

第四季复杂系统管理学读书会立足于“AI驱动的复杂组织系统管理”这一主题，旨在突破单一视角的局限，从管理哲学与前沿技术的双重视角，探寻人工智能时代组织进化的未来路径。从 2026 年 6 月 13 日开始，每周六下午 14:30-16:30，预计持续 8～10 周。期待与各位同仁共同学习复杂系统管理领域的前沿理论、共同探讨复杂科学理论在 AI 组织管理场景的实践与展望，一起应对百年未有之大变局下的组织发展未来。

详情请见：

1.

2.

3.

4.

5.

6.

7.

8.