小世界与无标度网络模型15 / 17
研究前沿与开放问题
- 无标度是否普遍。Broido 与 Clauset（2019）用严格的统计检验发现强无标度网络是少数，Barabási 等学者则强调有限规模和采样对纯幂律的扭曲；Voitalov 等（2019）主张以尾部的正则变化为标准。“无标度”的定义层级如何影响结论，以及生物网络中的重尾度分布究竟来自真实生物学机制还是采样过程，仍在讨论之中。
- 小世界指标的规模与密度依赖。 随网络规模增大而增大， 依赖规则网格参照的构造。如何在不同规模、不同密度的网络（例如不同被试的脑网络）之间公平地比较小世界性，没有公认的最佳方案。
- 生成机制的辨识。“模型能产生幂律”不等于“真实网络就是这样生成的”。优先连接、适应度、复制–分化、优化、空间嵌入都能产生长尾或高聚类；如何从单一时间点的快照区分这些机制，是网络演化研究的开放问题。基于子图计数的判别分类（Middendorf 等 2005）、基于似然的模型比较、以及利用演化年龄或系统发育信息的方法各有局限。
- 生成模型作为“机制假说”的检验工具。脑网络的生成模型（Betzel 等 2016；Akarca 等 2021）把个体差异映射到少数几个生成参数上，为发育与疾病研究提供了可解释的低维描述；但不同参数组合可能给出相似的网络（可辨识性问题），模型拟合的评价指标也会影响结论。
- 几何与潜空间视角。双曲嵌入、随机几何模型和隐变量模型把“连边”解释为节点潜在属性的相似性，与图表示学习中的嵌入方法殊途同归。如何给这些潜坐标赋予生物学含义，以及它们在不完整、有偏的生物网络上是否稳定，是活跃的方向。
- 脑网络的度分布形式。脑网络多呈带指数截断的重尾分布，且小世界指标对节点划分和阈值非常敏感（见脑连接组：结构与功能连接）。