arXiv：高阶网络的统一框架

导语

面对真实世界中普遍存在的多元交互与层级嵌套关系，传统图网络已难以满足复杂系统建模需求。arXiv 最新综述《Representing Higher-Order Networks》系统梳理了高阶网络的四大理论体系，并提出完全高阶图结构（CHGS）作为统一框架，将超图、拓扑复形、张量网络、知识图谱等多种模型纳入同一理论体系，为高阶网络的表示、推理与学习提供了统一视角，也为复杂系统分析和AI建模开辟了新的方向。

关键词：统一高阶网络理论框架，重塑复杂系统建模

郭瑞东丨作者

郑鸿盛、赵思怡丨审校

论文题目：Representing Higher-Order Networks: A Survey of Graph-Based Frameworks 论文链接：https://arxiv.org/abs/2605.12509 发表时间：2026年3月24日 论文来源：arXiv

该书包含8个章节，除了开头结尾两个章节，书中剩余章节从多个视角介绍了如何一步步扩展高阶图的表征范围，该文将逐一举例讲述其中关键的部分表征方法及可能的使用场景。

集合与递归

该书从高阶网络最自然的扩展方式讲起，一步步导出更复杂的高阶网络。第一步是让网络中的基本对象能够递归地包含自身。根据递归发生的位置不同，本书将这一思路扩展为三类不同的结构：集合上的递归、图上的递归，以及包含关系上的递归。

超图（Hypergraph）是所有高阶网络的基础。与普通图只能由一条边连接两个节点不同，超图中的一条超边（Hyperedge）可以同时连接任意多个节点，即超边是顶点集合的一个非空子集。因此，一个科研团队共同完成一篇论文、多个蛋白质共同参与一次生化反应等天然的多元交互，都可以直接表示为一条超边。

在超图的基础上，作者首先沿着集合继续递归，提出了SuperHyperGraph（本文暂译为超超图）。它不再把顶点看作单个元素，而是允许顶点本身成为集合，甚至集合的集合。设基础集合为V0，则超超图中的顶点来自 V0 的迭代幂集：一阶超顶点对应"员工组成的团队"，二阶超顶点则进一步对应"团队组成的委员会"。随着递归层数不断增加，超超图能够自然描述现实世界中大量存在的层级嵌套结构。

图1: 2阶超超图示例，其中的每个节点是V0 = {a, b, c}中子集的集合

随后，递归不再发生在集合，而是发生在图本身。这就产生了元图（Meta-Graph），其中顶点本身就是一个完整的图，而边则代表图与图之间的语义关系（如软件模块间的 API 兼容性、数据流向）。进一步的迭代元图（Iterated Meta-Graph）。深度为 t的迭代元图，其顶点是深度为 t−1 的元图。这样便形成了"图的图"不断嵌套的层级结构，可用于描述从细胞网络、器官网络一直到整个人体网络这类具有明显自相似性的复杂系统。

图2：元图的示意图

更进一步的嵌套超图（Nested HyperGraph）允许超边内部包含其他的超边，例如，一个大型项目的任务包含多个子任务，子任务本身包含下一级的任务。为了在允许无限嵌套的同时保持数学上的严谨性，作者引入了秩函数（Rank function, ρ），即嵌套结构中的层级标签并要求：若元素 x 属于超边 e，则必须满足 ρ(x) <ρ(e）< pan> 。这一约束保证了所有包含关系始终沿着层级向上展开，从而实现严格意义上的良性递归。

图3：嵌套超图，其中的超边e2包含另一个超边e1

除了不断递归图中的对象之外，高阶网络还可以通过丰富顶点和边的数学属性来提升表达能力。

多重超图（Multi-Hypergraph）就是其中最直接的一种扩展。普通超图只关心“哪些节点共同参与了一次交互”，而多重超图进一步允许同一条超边重复出现，用以记录同一组节点发生交互的次数，从而使网络从单纯的拓扑结构扩展为带有多重性的代数对象。

例如，一个公司有4名员工

V={A, B, C, D}。

其中，由 {A, B, C} 组成的三人项目组，在一周内召开了3次会议。由 {B, D} 组成的两人小组，召开了2次会议。在普通超图中，这两组成员各对应一条超边，两种情况并没有区别；而在多重超图中，则可以分别赋予它们不同的多重性：

图4：多重超图示例

在多重超图中，我们定义超边 e1={A, B, C}和 e2={B, D}，并赋予多重性函数μ(e1) = 3, μ(e2)=2。 这里的多重性函数 μ 记录了同一组节点重复发生交互的次数。于是，网络不仅知道“谁曾经合作过”，还能够进一步表示“合作发生了多少次”，为分析团队凝聚力、信息传播效率以及群体动力学等问题提供了更加丰富的定量信息。

除了上述内容，该章还讲述包括迭代多重图（Iterated MultiGraph）及张量网络图（Tensor Network Graph）等超图表征形式。其推演逻辑是赋予“顶点”和“边”足够丰富的数学内涵（集合、图、多重集、张量），将经典图论一步步推广为一种能够容纳宇宙万物复杂层级的“通用形式语言”。

几何、拓扑与复形家族

如果说上一章通过递归不断丰富图中“顶点”和“边”的数学含义，那么这一部分则换了一个视角：不再关注节点之间是否连接，而是关注这些连接如何共同"拼接"出更高维的空间结构。 图开始从一种离散的组合对象，逐渐演化为能够表达几何与拓扑性质的空间。

最基础的结构是单纯复形（Simplicial Complex）。超图允许一条超边连接任意数量的节点，而单纯复形在此基础上增加了一条重要约束：一个 k维单纯形存在时，它的所有低维子面必须同时存在。例如，一个三角形不仅意味着三个顶点共同组成一个二维单纯形，同时也必须包含对应的三条边和三个顶点；一个四面体同样要求所有三角面、边和顶点全部存在。这种"闭包性"使单纯复形能够自然刻画连续空间中的邻接关系，并成为代数拓扑最基本的研究对象。

图5 ：单纯复型示例，合作关系中，BC两个节点作为公共出现的节点

随后，作者进一步放宽了几何对象的限制。

胞腔复形 (Cell Complex)不再要求所有高维结构都由单纯形构成，而允许使用任意形状的“胞腔”（如正方形、多边形、甚至任意维度的拓扑盘）通过边界映射粘合而成。胞腔复形相比单纯复形，更为灵活，例如在材料科学中，晶体的晶格结构往往由多边形（如六边形石墨烯）构成，胞腔复形能比单纯复形更自然、更高效地描述这种几何结构。

图6：胞腔复形 S1 上由一个 0-胞腔和一个 1-胞腔构成的胞腔复形结构示意图

进一步地，多面体复形（Polyhedral Complex）则允许复形由各种凸多面体组成，只要求不同多面体之间通过公共面相交，并保持边界封闭。这使其更适合表示具有明确物理边界的工程结构、建筑模型和三维网格。

如果说前面的几种复形回答的是“空间应该怎样定义”，接下来讨论的问题则变成了：如何从真实数据中自动生成这样的空间？Dowker复形就是一种典型的方法。它从二元关系中诱导出单纯复形，例如用户-物品、作者-论文等关联数据）。如果多个实体（如用户）共同关联同一个目标（如物品），这些实体就构成一个单纯形。于是，原本只是一个关系数据库，也可以被提升为一个具有高维拓扑结构的空间，从而分析隐藏的群体结构与拓扑特征。

另一条思路则不是关注“谁共同出现”，而是关注哪些序列允许发生。路径复形 (Path Complex)以合法路径作为基本对象，它由顶点序列组成，刻画有向高阶动力学（如网页点击流、信息级联、脑神经信号传导）时，路径复形比单纯的有向图或单纯复形更具表达力。它不仅记录了连接，还记录了流动的合法性与方向性。

图7：有向图中允许出现路径复形

当空间已经建立之后，一个新的问题随之出现：如何让空间承载数据？在关注序列合法性的基础上，我们进一步考虑如何从局部数据推导全局一致性。层理论（Sheaf Theory）的目标是从局部数据到全局数据。胞腔层为复形中的每个胞腔（顶点、边、面）分配一个数据空间（如向量空间、概率分布），并为包含关系分配限制映射（Restriction maps）。例如每个传感器（顶点）有局部的温度测量值，每条边代表两个传感器的重叠区域。限制映射规定了局部数据在重叠区域必须一致。层论可以严格判断：这些局部测量是否存在一个全局一致的物理温度场？

图8：一个定义在包含两个顶点和一条边的图上的胞腔层。边茎（edge stalk）存储了一个共享的标量相容值，该值由来自顶点茎（vertex stalks）的线性映射所确定。

层论将拓扑学的粘合概念推广到了数据与语义的粘合，为分布式系统的一致性验证、多智能体协同和鲁棒机器学习提供了严格的数学保证。在融合视觉和语言数据时，层论可以量化不同模态在局部特征上的“相容性”，从而发现数据中的冲突或噪声。

将第一部分的“集合论递归”与本章的“几何拓扑”进行融合，产生了既有层级又有拓扑的新结构，得到元单纯复形 (Meta Simplicial Complex)，其中顶点本身就是一个单纯复形。即 “复形的复形”。对应的现实映射是在模块化系统中，每个模块内部是一个复杂的拓扑结构（如一个分子内部的化学键网络），而模块之间又通过更高层的交互构成一个新的单纯复形。它完美刻画了“系统之系统（System of Systems）”的嵌套拓扑。

图9：由个体团队构建的1-超超复形。填充的超三角形表示二维超面 σ = {v1, v2, v3}，虚线表示基础层面的团队成员关系。

当一个团顶点是超超顶点（SuperHypervertices，即嵌套的集合），它的面是超超面，就可以得到单纯超超复形 (Simplicial SuperHypercomplex)。假设 V0 是原子员工，1阶超顶点是“部门（员工集合）”，2阶超顶点是“跨部门委员会（部门集合）”，描述跨部门委员会组成的图就是单纯超超复形。该表征方式允许我们将“跨部门委员会”作为顶点，构建它们之间的高阶交互（如联合决策）。通过将层级嵌套的语义（集合论） 与高维拓扑的形变（几何学）整合，单纯超超复形为描述极度复杂的社会组织、生物细胞集群或宇宙大尺度结构提供了数学工具。

在经典图论中，我们关注“连接”；在拓扑视角下，我们开始关注“缺失”，即特定的高维拓扑空洞。单纯的静态拓扑不足以描述演化。路径复形引入了时间/因果的有向性，胞腔层引入了数据的一致性。目前的图神经网络大多停留在 1-单纯形（边）或简单的超图层面，该节提到的数据结构将有助于应对真实世界的复杂情况。

因子化、约束、分层、时序与张量家族

前两章关注如何表征高阶网络，这一章从动力学的角度考察高阶关系是如何被 “生成”、“约束”、“耦合”和“演化” 的。通过分解与约束描述“哪些变量必须满足某种联合规则”，从而将高阶交互转化为可计算推理问题。作者将高阶网络从静态结构进一步推进到动态建模，引入因子分解、约束传播、多层组织、时间演化和张量表示等方法，把原本复杂的多路交互转化为可以推断、学习和计算的数学对象。

因子图(Factor Graph)通过一个二部图来可视化这种分解：一类节点是变量，另一类节点是因子。边仅连接变量与其所属的因子。这使得原本难以处理的高阶联合分布，可以通过信念传播 (Belief Propagation) 等消息传递算法，在局部因子间进行高效推断。

在编码纠错中，Tanner图用于表示线性码的奇偶校验矩阵H。变量节点代表码字位，校验节点代表校验方程。当一条边存在时，意味着该变量参与了对应的校验约束。Tanner超图(Tanner Hypergraph)进一步将“校验节点”推广为“超边”。如果一条校验方程涉及多个变量，这条超边就精确地编码了这个多路约束。

图10：Tanner超图的示意图

更进一步的Tanner超超图 (Tanner SuperHyperGraph)允许校验节点本身也是层级化的集合（超顶点）。这意味着约束之间也存在“元约束”或“分组约束”。在分布式存储或大规模并行计算中，不仅数据块之间有校验关系，机架级、数据中心级的冗余策略可用Tanner超超图表征约束网络。

多层网络 将传统的二维邻接矩阵扩展为三维张量或状态空间图。每个节点由 (v, α）标识，其中 v 是物理实体，α 是层标签（如社交关系类型、交通方式、脑区频段），可用于嵌入在特定的语境和时间流中的网络交互。

图11: 多层网络示意，一层是朋友关系，一层是工作关系

时序网络中边不再是静态的集合元素，而是带有时间戳的事件。对于流行病传播、金融交易、神经脉冲传导等过程，时序网络能捕捉动力学特征，揭示了静态聚合图所掩盖的因果路径。

图12：时序通信网络，不同时间的通信动力学

当交互阶数k增加时，存储所有可能的k元组会导致组合爆炸。邻接张量网络 (Adjacency-Tensor Network ATN) 放弃邻接矩阵，使用一组张量来分别编码2阶、3阶...K阶交互的权重。ATN是高阶图神经网络 (Higher-Order GNNs) 最自然的输入格式。卷积核可以直接定义为对特定阶数张量的操作，从而实现端到端的高阶特征学习。

图13: 2阶及3阶张量网络

通过因子分解、时序演化、张量压缩与多维耦合，高阶网络得以从一个静态的数学对象，蜕变为一个能够表征动态事件的建模工具。

语义、组合、知识与逻辑家族

前三章不断丰富的是高阶网络的结构表达能力：对象可以递归、连接可以形成空间、关系可以进行计算。然而，一个更加根本的问题仍然存在：这些结构究竟表示什么？不同结构之间又如何安全地组合？接下来的一章引入类型论、范畴论、逻辑闭包与不确定性模型，作者经由“语义富集”与“可组合性”将高阶网络从纯粹的图论对象提升为具备认知表征的系统。

异构超图与异构超超图 (Heterogeneous HyperGraph/SuperHyperGraph)中定义了类型安全的交互规则。例如，一个类型为“Team”的超顶点只能参与类型为“Coordination”的超边，而不能直接参与类型为“DataAccess”的超边。之后的超超图进行了递归嵌套，一个2阶超顶点（如“跨部门委员会”）的类型可能由其内部1阶超顶点（“部门”）的类型组合决定。

知识超图 (Knowledge HyperGraph)允许关系 r具有任意元数（Arity），例如collaborate(Alice, Bob, ProjectX, 2024)。在医学或法律领域，一个诊断结论往往依赖于“症状+病史+基因+环境”的多路联合证据；一条法律判决涉及“原告+被告+法条+判例+司法解释”的复杂关联。

而知识超超图 (Knowledge SuperHyperGraph)进一步将实体和关系本身层级化：实体可以是“团队”或“项目群”，关系可以是“协作关系集”。例如一条法律判决涉及“原告+被告+法条+之前判例+司法解释”的复杂关联。知识超超图可用来编码这类数据。

图14：知识超超图示例，其中超顶点是基集的类型化子集，而超超边则是配备边类型的公共超顶点集的非空子集。

为了描述节点之间的组合规律，接口图（Port Graph）中节点不再是连接的终点，而是连接的中介。每个节点拥有显式的“端口”（Ports），边只连接端口，不直接连接节点。

图15：简单接口图的示例

之后照例递归得到端口超超图（Port HyperGraph），让端口本身也可以是层级化的。一个“部门级端口”可能包含多个“员工级端口”。这使得我们可以精确定义跨层级的通信协议，避免了传统图中“全连接”带来的语义歧义。

开放超图 (Open HyperGraph ）基于范畴论中的余跨图（Cospan） 概念。一个开放超图不仅有内部结构，还有明确的输入接口（Input Interface） 和输出接口（Output Interface），两个开放超超图可以通过“粘合”它们的匹配接口来合成一个新的、更大的开放超超图。这是神经符号AI和可组合深度学习的底层数学语言，保证了模块组合时的类型一致性与行为可预测性。

将多层网络与开放超图融合，得到多模态一阶超超图Multimodal 1-SuperHyperGraph中的每种模态代表一种特定类型的群体交互关系（如沟通、资源共享、物理连接等），并通过权重系数进行融合或区分。

在一个由人员组成的系统中（图15），模态1（Communication）描述团队之间的信息交流频率和强度。模态2（Resource Sharing）：描述团队之间共享设备、数据或预算的程度。这两个模态作用于完全相同的团队集合 V，但拥有各自独立的超边结构和权重，从而能够更精细地刻画复杂组织中“人际互动”与“资源依赖”这两种截然不同但又相互交织的高阶动态。

图16：多模态一阶超超图示例

操作交互图(Operadic Interaction Graph)将高阶交互视为具有特定输入/输出类型的“操作”，并通过代换（Substitution）实现嵌套组合。它完美刻画了工作流、化学反应路径或程序调用栈的结构化组合。

当网络需要包含逻辑推理时，闭包蕴含图 (Closure-Implication Graph, CIG)引入闭包算子（Closure Operator）。如果 a∈cl(S），则意味着集合 S 逻辑上蕴含或强制产生 a。这将关联规则挖掘、形式概念分析（FCA）和因果推理自然地嵌入到了图结构中。例如，在故障诊断中，“传感器A异常 + 传感器B异常”的闭包必然包含“子系统c失效”。

图17：闭包-蕴含图示意

模体（motif）是图中反复出现的局部高阶子结构。模体超图（Motif SuperHyper Graph）的顶点是原图中的模体，边表示这些实例之间的重叠或高阶关联。在脑科学中，特定的神经元集群同步模式，即模体可能是认知功能的基本单元，模体超超图让我们能够在“模式之模式”的层级上研究复杂系统的功能涌现。

图18：基于图G得到的模体超图

该书第五章从语法到语义，从静态到动态，从确定性到不确定性让高阶网络的表征从静态走向了动态，让高阶网络能够建模复杂适应系统。

新增高阶图结构

前四章已经分别从对象、空间、计算和语义四个层面构建了高阶网络的基本框架。本章则更多体现了作者在新版中的进一步扩展：不再追求新的统一思想，而是针对不同应用场景，对已有框架进行更加细粒度的专门化设计。下面简述其中几种。

n阶过滤图 (n-Filtrated Graph)中配备n个过滤层级，顶点和边随层级渐进出现（类似持久同调中的过滤），用于刻画网络的多尺度生长或分辨率演化。

图19：2阶过滤图示意

深度-N 关联超超图 (Depth-N Incidence SuperHyperGraph)：不再单纯依赖迭代幂集，而是通过“广义关联对象”（Incidence objects）及其支撑集（Support）递归定义高层边，提供了更灵活的层级关联关系。

组合图 (Compositional Graph)中明确定义了带有输入/输出接口的图模块，并通过双射匹配接口进行“胶合”（Gluing），形式化了通过组合小模块构建大图的过程。

多动态图与多无限图 (m-Multidynamic & Multiinfinite Graph)中图系统沿m个并行的时间轴或无限轴演化，配备相干的转移同态，适合描述具有多个独立演化维度的复杂系统（如空间+时间+社会维度的耦合）。

边迭代超超图 (Edge-Iterated SuperHyperGraph)中不仅顶点通过迭代幂集生成，边本身也通过迭代幂集生成（如边是边的集合），实现了关联双侧的彻底层级化，并通过“展平”（Flattening）操作恢复实际关联。

递归元图 (Recursive MetaGraph)的边可以递归地包含低层级的元边，允许在“图的图”中表达嵌套的元关系。

完全高阶图结构-高阶网络理论的“大一统”框架

该书第七章针对前面章节的碎片化的描述，例如从集合论的递归嵌套到拓扑复形的几何粘合，从张量网络的代数压缩到范畴论的语义组合，都是第八章提出的同一套元框架（meta-framework），即完全高阶图结构 (Complete Higher-Graphic Structure, CHGS)的不同实例。了解这样一个类型化且模块化的元框架 (Typed Modular Meta-Framework)，读者可通过从这八个可选层选择部分根据自己的需求自由组合，来精确适配不同的高阶建模需求。8个可选层分别是

（1）上下文-排序载体层，解决“实体在哪里”的问题。引入索引集(如时间、层级、模态)和排序集(针对顶点、边、面)

（2） 关系签名层，解决“谁和谁交互”的问题。例如3普通图是二元对称关系，有向图是二元非对称关系，超图是变元数关系，知识图谱是带标签的二元关系。

（3） 操作签名层 ，定义边如何生成及变换，可能的算子包括粘合 (Gluing)、代换 (Substitution)、面映射 (Face maps)、张量收缩等。

（4）解释层将符号转为数学定义，确保了形式语法与语义模型之间的严格对应，避免了自然语言描述中的歧义。

（5）等式/相干层，通过如结合律、单位元、Operad 等变性、单纯恒等式这类代数定律，保证结构的合法性。

（6）属性层，挂载上下文信息，连接结构与外部世界。

（7）权重/张量层，引入定量信息，支持数值计算。

（8） 闭包层，编码逻辑蕴含与推导语义，满足扩张性、单调性、幂等性。

举例来看，在社交网络分析中，CHGS可同时采用用户关系（关系层）、时间演化（上下文层）和影响力权重（权重层）进行建模。

为了避免表征中的冗余，文中指出如果移除层λ后，存在确定性重构过程Rλ，可由剩余结构无损还原完整原始结构，则λ是冗余的。例如，在某些场景中，“权重层”可能完全由“关系层+属性层”决定，此时权重层就是冗余的，应被剔除以降低复杂度。

实际应用中，同一问题有着符合 CHGS 的不同建模方案，文章提出了四个互补的指标（即表现力，组合性覆盖率，可学习性及描述长度 ），优秀的建模需在这四个指标间寻找帕累托最优。

由于 CHGS 是完全形式化和模块化的，它天然适配程序合成 (Program Synthesis) 和AutoML。可用于自动对复杂系统使用高阶网络，选取其中几层配置。

总结

本书全面概述了可用于建模高阶网络的数学概念。书中系统梳理了基础概念、扩展框架以及新引入的形式体系，重点阐述了它们的结构原理、相互关系及其在建模中的作用。

从计算角度来看，具备广阔前景的研究方向主要包含以下三类：设计用于高阶中心性分析和社区检测的可扩展算法；多路高阶交互场景下的影响力与信息流传播动力学算法，区分静态结构与动态过程；针对高阶数据的基于学习的推理方法（例如因子图/Tanner图表示上的消息传递，或用于结构化多路依赖的张量收缩）。此外，我们也期待该理论在决策支持系统（多准则约束下的群体评估与共识达成）、机器学习（超图与单纯形神经网络模型）以及其他需要建模和分析复杂高阶交互的领域中获得更广泛的应用。

高阶网络社区

随着对现实世界探索的不断深入，人们发现在许多真实的复杂系统中，组成系统的个体之间不仅存在二元交互关系，也广泛存在多个体同时（或以特定顺序）进行交互，即高阶交互现象。为此，研究人员分别发展出了基于超图、单纯复形、依赖关系等的网络高阶表示模型，为复杂网络分析和研究提供了新的思路。

由电子科技大学吕琳媛老师、任晓龙老师及中国地质大学（北京）管青老师在集智俱乐部联合发起了【 】。读书会围绕高阶交互网络的基本概念、模型、方法与应用等研究进行研讨，按照「基础理论」+「深入理论」+「案例研讨」的模式展开。读书会第一季已经圆满结束，第二季正在筹备中。现在报名加入可以解锁第一季全部录播视频并加入社群交流。

详情请见：

1.

2.

3.

4.

5.

6.

7.