Netwerken of grafieken zijn wiskundige beschrijvingen van de interne structuur tussen componenten in een complex systeem, zoals verbindingen tussen neuronen, interacties tussen eiwitten, contacten tussen individuen in een menigte, en interacties tussen gebruikers op online sociale platforms. De links in de meeste echte netwerken veranderen in de loop van de tijd, en dergelijke netwerken worden vaak tijdelijke netwerken genoemd. De tijdelijkheid van verbindingen codeert de ordening en causaliteit van interacties tussen knooppunten en heeft een diepgaand effect op de neurale netwerkfunctie, ziektevoortplanting, informatie aggregatie en aanbeveling, opkomst van coöperatief gedrag, en netwerkbeheersbaarheid. Toenemend onderzoek heeft zich gericht op het ontginnen van de patronen in een tijdelijk netwerk en het voorspellen van de toekomstige evolutie ervan met behulp van machine learning-technieken, vooral grafische neurale netwerken. Echter, hoe de voorspelbaarheidslimiet van een tijdelijk netwerk te kwantificeren, d.w.z. de limiet die geen algoritme kan overschrijden, is nog een open vraag.

Onlangs, een onderzoeksteam onder leiding van Xianbin Cao met Beihang University, Peking, en Gang Yan aan de Tongji University, Sjanghai, publiceerde een paper met de titel "Voorspelbaarheid van echte tijdelijke netwerken" in Nationale wetenschappelijke recensie en stelde een raamwerk voor voor het kwantificeren van de voorspelbaarheid van tijdelijke netwerken op basis van de entropiesnelheid van willekeurige velden.

De auteurs brachten elk willekeurig netwerk in kaart in een temporaliteit-topologiematrix, en breidde vervolgens de klassieke berekening van de entropiesnelheid (die alleen van toepassing is op vierkante matrices) uit naar willekeurige matrices via regressie-operators. De significante voordelen van deze temporeel-topologische voorspelbaarheid werden gevalideerd in twee typische modellen van temporele netwerken. Door de methode toe te passen om de voorspelbaarheid van 18 echte netwerken te berekenen, de auteurs ontdekten dat in verschillende soorten echte netwerken, de bijdragen van topologie en temporaliteit aan de voorspelbaarheid van het netwerk zijn aanzienlijk variabel; Hoewel de theoretische basislijn en moeilijkheidsgraad van temporeel-topologische voorspelbaarheid veel hoger zijn dan die van eendimensionale tijdreeksen, de temporeel-topologische voorspelbaarheden van de meeste reële netwerken zijn nog steeds hoger dan die van tijdreeksen.

De voorspelbaarheidslimiet die in dit onderzoek is berekend, is een intrinsieke eigenschap van temporele netwerken, d.w.z. onafhankelijk is van een voorspellend algoritme, daarom kan het ook worden gebruikt om de mogelijke ruimte voor het verbeteren van voorspellende algoritmen te meten. De auteurs onderzochten drie veelgebruikte voorspellende algoritmen en ontdekten dat de prestaties van deze algoritmen aanzienlijk lager zijn dan de voorspellende limieten in de meeste echte netwerken, suggereert de noodzaak van nieuwe voorspellende algoritmen die rekening houden met zowel temporele als topologische kenmerken van netwerken.