arXiv：高階網絡的統一框架

導語

面對真實世界中普遍存在的多元交互與層級嵌套關系，傳統圖網絡已難以滿足復雜系統建模需求。arXiv 最新綜述《Representing Higher-Order Networks》系統梳理了高階網絡的四大理論體系，并提出完全高階圖結構（CHGS）作為統一框架，將超圖、拓撲復形、張量網絡、知識圖譜等多種模型納入同一理論體系，為高階網絡的表示、推理與學習提供了統一視角，也為復雜系統分析和AI建模開辟了新的方向。

關鍵詞：統一高階網絡理論框架，重塑復雜系統建模

郭瑞東丨作者

鄭鴻盛、趙思怡丨審校

論文題目：Representing Higher-Order Networks: A Survey of Graph-Based Frameworks 論文鏈接：https://arxiv.org/abs/2605.12509 發表時間：2026年3月24日 論文來源：arXiv

該書包含8個章節，除了開頭結尾兩個章節，書中剩余章節從多個視角介紹了如何一步步擴展高階圖的表征范圍，該文將逐一舉例講述其中關鍵的部分表征方法及可能的使用場景。

集合與遞歸

該書從高階網絡最自然的擴展方式講起，一步步導出更復雜的高階網絡。第一步是讓網絡中的基本對象能夠遞歸地包含自身。根據遞歸發生的位置不同，本書將這一思路擴展為三類不同的結構：集合上的遞歸、圖上的遞歸，以及包含關系上的遞歸。

超圖（Hypergraph）是所有高階網絡的基礎。與普通圖只能由一條邊連接兩個節點不同，超圖中的一條超邊（Hyperedge）可以同時連接任意多個節點，即超邊是頂點集合的一個非空子集。因此，一個科研團隊共同完成一篇論文、多個蛋白質共同參與一次生化反應等天然的多元交互，都可以直接表示為一條超邊。

在超圖的基礎上，作者首先沿著集合繼續遞歸，提出了SuperHyperGraph（本文暫譯為超超圖）。它不再把頂點看作單個元素，而是允許頂點本身成為集合，甚至集合的集合。設基礎集合為V0，則超超圖中的頂點來自 V0 的迭代冪集：一階超頂點對應"員工組成的團隊"，二階超頂點則進一步對應"團隊組成的委員會"。隨著遞歸層數不斷增加，超超圖能夠自然描述現實世界中大量存在的層級嵌套結構。

圖1: 2階超超圖示例，其中的每個節點是V0 = {a, b, c}中子集的集合

隨后，遞歸不再發生在集合，而是發生在圖本身。這就產生了元圖（Meta-Graph），其中頂點本身就是一個完整的圖，而邊則代表圖與圖之間的語義關系（如軟件模塊間的 API 兼容性、數據流向）。進一步的迭代元圖（Iterated Meta-Graph）。深度為 t的迭代元圖，其頂點是深度為 t?1 的元圖。這樣便形成了"圖的圖"不斷嵌套的層級結構，可用于描述從細胞網絡、器官網絡一直到整個人體網絡這類具有明顯自相似性的復雜系統。

圖2：元圖的示意圖

更進一步的嵌套超圖（Nested HyperGraph）允許超邊內部包含其他的超邊，例如，一個大型項目的任務包含多個子任務，子任務本身包含下一級的任務。為了在允許無限嵌套的同時保持數學上的嚴謹性，作者引入了秩函數（Rank function, ρ），即嵌套結構中的層級標簽并要求：若元素 x 屬于超邊 e，則必須滿足 ρ(x) <ρ(e）< pan> 。這一約束保證了所有包含關系始終沿著層級向上展開，從而實現嚴格意義上的良性遞歸。

圖3：嵌套超圖，其中的超邊e2包含另一個超邊e1

除了不斷遞歸圖中的對象之外，高階網絡還可以通過豐富頂點和邊的數學屬性來提升表達能力。

多重超圖（Multi-Hypergraph）就是其中最直接的一種擴展。普通超圖只關心“哪些節點共同參與了一次交互”，而多重超圖進一步允許同一條超邊重復出現，用以記錄同一組節點發生交互的次數，從而使網絡從單純的拓撲結構擴展為帶有多重性的代數對象。

例如，一個公司有4名員工

V={A, B, C, D}。

其中，由 {A, B, C} 組成的三人項目組，在一周內召開了3次會議。由 {B, D} 組成的兩人小組，召開了2次會議。在普通超圖中，這兩組成員各對應一條超邊，兩種情況并沒有區別；而在多重超圖中，則可以分別賦予它們不同的多重性：

圖4：多重超圖示例

在多重超圖中，我們定義超邊 e1={A, B, C}和 e2={B, D}，并賦予多重性函數μ(e1) = 3, μ(e2)=2。 這里的多重性函數 μ 記錄了同一組節點重復發生交互的次數。于是，網絡不僅知道“誰曾經合作過”，還能夠進一步表示“合作發生了多少次”，為分析團隊凝聚力、信息傳播效率以及群體動力學等問題提供了更加豐富的定量信息。

除了上述內容，該章還講述包括迭代多重圖（Iterated MultiGraph）及張量網絡圖（Tensor Network Graph）等超圖表征形式。其推演邏輯是賦予“頂點”和“邊”足夠豐富的數學內涵（集合、圖、多重集、張量），將經典圖論一步步推廣為一種能夠容納宇宙萬物復雜層級的“通用形式語言”。

幾何、拓撲與復形家族

如果說上一章通過遞歸不斷豐富圖中“頂點”和“邊”的數學含義，那么這一部分則換了一個視角：不再關注節點之間是否連接，而是關注這些連接如何共同"拼接"出更高維的空間結構。 圖開始從一種離散的組合對象，逐漸演化為能夠表達幾何與拓撲性質的空間。

最基礎的結構是單純復形（Simplicial Complex）。超圖允許一條超邊連接任意數量的節點，而單純復形在此基礎上增加了一條重要約束：一個 k維單純形存在時，它的所有低維子面必須同時存在。例如，一個三角形不僅意味著三個頂點共同組成一個二維單純形，同時也必須包含對應的三條邊和三個頂點；一個四面體同樣要求所有三角面、邊和頂點全部存在。這種"閉包性"使單純復形能夠自然刻畫連續空間中的鄰接關系，并成為代數拓撲最基本的研究對象。

圖5 ：單純復型示例，合作關系中，BC兩個節點作為公共出現的節點

隨后，作者進一步放寬了幾何對象的限制。

胞腔復形 (Cell Complex)不再要求所有高維結構都由單純形構成，而允許使用任意形狀的“胞腔”（如正方形、多邊形、甚至任意維度的拓撲盤）通過邊界映射粘合而成。胞腔復形相比單純復形，更為靈活，例如在材料科學中，晶體的晶格結構往往由多邊形（如六邊形石墨烯）構成，胞腔復形能比單純復形更自然、更高效地描述這種幾何結構。

圖6：胞腔復形 S1 上由一個 0-胞腔和一個 1-胞腔構成的胞腔復形結構示意圖

進一步地，多面體復形（Polyhedral Complex）則允許復形由各種凸多面體組成，只要求不同多面體之間通過公共面相交，并保持邊界封閉。這使其更適合表示具有明確物理邊界的工程結構、建筑模型和三維網格。

如果說前面的幾種復形回答的是“空間應該怎樣定義”，接下來討論的問題則變成了：如何從真實數據中自動生成這樣的空間？Dowker復形就是一種典型的方法。它從二元關系中誘導出單純復形，例如用戶-物品、作者-論文等關聯數據）。如果多個實體（如用戶）共同關聯同一個目標（如物品），這些實體就構成一個單純形。于是，原本只是一個關系數據庫，也可以被提升為一個具有高維拓撲結構的空間，從而分析隱藏的群體結構與拓撲特征。

另一條思路則不是關注“誰共同出現”，而是關注哪些序列允許發生。路徑復形 (Path Complex)以合法路徑作為基本對象，它由頂點序列組成，刻畫有向高階動力學（如網頁點擊流、信息級聯、腦神經信號傳導）時，路徑復形比單純的有向圖或單純復形更具表達力。它不僅記錄了連接，還記錄了流動的合法性與方向性。

圖7：有向圖中允許出現路徑復形

當空間已經建立之后，一個新的問題隨之出現：如何讓空間承載數據？在關注序列合法性的基礎上，我們進一步考慮如何從局部數據推導全局一致性。層理論（Sheaf Theory）的目標是從局部數據到全局數據。胞腔層為復形中的每個胞腔（頂點、邊、面）分配一個數據空間（如向量空間、概率分布），并為包含關系分配限制映射（Restriction maps）。例如每個傳感器（頂點）有局部的溫度測量值，每條邊代表兩個傳感器的重疊區域。限制映射規定了局部數據在重疊區域必須一致。層論可以嚴格判斷：這些局部測量是否存在一個全局一致的物理溫度場？

圖8：一個定義在包含兩個頂點和一條邊的圖上的胞腔層。邊莖（edge stalk）存儲了一個共享的標量相容值，該值由來自頂點莖（vertex stalks）的線性映射所確定。

層論將拓撲學的粘合概念推廣到了數據與語義的粘合，為分布式系統的一致性驗證、多智能體協同和魯棒機器學習提供了嚴格的數學保證。在融合視覺和語言數據時，層論可以量化不同模態在局部特征上的“相容性”，從而發現數據中的沖突或噪聲。

將第一部分的“集合論遞歸”與本章的“幾何拓撲”進行融合，產生了既有層級又有拓撲的新結構，得到元單純復形 (Meta Simplicial Complex)，其中頂點本身就是一個單純復形。即 “復形的復形”。對應的現實映射是在模塊化系統中，每個模塊內部是一個復雜的拓撲結構（如一個分子內部的化學鍵網絡），而模塊之間又通過更高層的交互構成一個新的單純復形。它完美刻畫了“系統之系統（System of Systems）”的嵌套拓撲。

圖9：由個體團隊構建的1-超超復形。填充的超三角形表示二維超面 σ = {v1, v2, v3}，虛線表示基礎層面的團隊成員關系。

當一個團頂點是超超頂點（SuperHypervertices，即嵌套的集合），它的面是超超面，就可以得到單純超超復形 (Simplicial SuperHypercomplex)。假設 V0 是原子員工，1階超頂點是“部門（員工集合）”，2階超頂點是“跨部門委員會（部門集合）”，描述跨部門委員會組成的圖就是單純超超復形。該表征方式允許我們將“跨部門委員會”作為頂點，構建它們之間的高階交互（如聯合決策）。通過將層級嵌套的語義（集合論） 與高維拓撲的形變（幾何學）整合，單純超超復形為描述極度復雜的社會組織、生物細胞集群或宇宙大尺度結構提供了數學工具。

在經典圖論中，我們關注“連接”；在拓撲視角下，我們開始關注“缺失”，即特定的高維拓撲空洞。單純的靜態拓撲不足以描述演化。路徑復形引入了時間/因果的有向性，胞腔層引入了數據的一致性。目前的圖神經網絡大多停留在 1-單純形（邊）或簡單的超圖層面，該節提到的數據結構將有助于應對真實世界的復雜情況。

因子化、約束、分層、時序與張量家族

前兩章關注如何表征高階網絡，這一章從動力學的角度考察高階關系是如何被 “生成”、“約束”、“耦合”和“演化” 的。通過分解與約束描述“哪些變量必須滿足某種聯合規則”，從而將高階交互轉化為可計算推理問題。作者將高階網絡從靜態結構進一步推進到動態建模，引入因子分解、約束傳播、多層組織、時間演化和張量表示等方法，把原本復雜的多路交互轉化為可以推斷、學習和計算的數學對象。

因子圖(Factor Graph)通過一個二部圖來可視化這種分解：一類節點是變量，另一類節點是因子。邊僅連接變量與其所屬的因子。這使得原本難以處理的高階聯合分布，可以通過信念傳播 (Belief Propagation) 等消息傳遞算法，在局部因子間進行高效推斷。

在編碼糾錯中，Tanner圖用于表示線性碼的奇偶校驗矩陣H。變量節點代表碼字位，校驗節點代表校驗方程。當一條邊存在時，意味著該變量參與了對應的校驗約束。Tanner超圖(Tanner Hypergraph)進一步將“校驗節點”推廣為“超邊”。如果一條校驗方程涉及多個變量，這條超邊就精確地編碼了這個多路約束。

圖10：Tanner超圖的示意圖

更進一步的Tanner超超圖 (Tanner SuperHyperGraph)允許校驗節點本身也是層級化的集合（超頂點）。這意味著約束之間也存在“元約束”或“分組約束”。在分布式存儲或大規模并行計算中，不僅數據塊之間有校驗關系，機架級、數據中心級的冗余策略可用Tanner超超圖表征約束網絡。

多層網絡 將傳統的二維鄰接矩陣擴展為三維張量或狀態空間圖。每個節點由 (v, α）標識，其中 v 是物理實體，α 是層標簽（如社交關系類型、交通方式、腦區頻段），可用于嵌入在特定的語境和時間流中的網絡交互。

圖11: 多層網絡示意，一層是朋友關系，一層是工作關系

時序網絡中邊不再是靜態的集合元素，而是帶有時間戳的事件。對于流行病傳播、金融交易、神經脈沖傳導等過程，時序網絡能捕捉動力學特征，揭示了靜態聚合圖所掩蓋的因果路徑。

圖12：時序通信網絡，不同時間的通信動力學

當交互階數k增加時，存儲所有可能的k元組會導致組合爆炸。鄰接張量網絡 (Adjacency-Tensor Network ATN) 放棄鄰接矩陣，使用一組張量來分別編碼2階、3階...K階交互的權重。ATN是高階圖神經網絡 (Higher-Order GNNs) 最自然的輸入格式。卷積核可以直接定義為對特定階數張量的操作，從而實現端到端的高階特征學習。

圖13: 2階及3階張量網絡

通過因子分解、時序演化、張量壓縮與多維耦合，高階網絡得以從一個靜態的數學對象，蛻變為一個能夠表征動態事件的建模工具。

語義、組合、知識與邏輯家族

前三章不斷豐富的是高階網絡的結構表達能力：對象可以遞歸、連接可以形成空間、關系可以進行計算。然而，一個更加根本的問題仍然存在：這些結構究竟表示什么？不同結構之間又如何安全地組合？接下來的一章引入類型論、范疇論、邏輯閉包與不確定性模型，作者經由“語義富集”與“可組合性”將高階網絡從純粹的圖論對象提升為具備認知表征的系統。

異構超圖與異構超超圖 (Heterogeneous HyperGraph/SuperHyperGraph)中定義了類型安全的交互規則。例如，一個類型為“Team”的超頂點只能參與類型為“Coordination”的超邊，而不能直接參與類型為“DataAccess”的超邊。之后的超超圖進行了遞歸嵌套，一個2階超頂點（如“跨部門委員會”）的類型可能由其內部1階超頂點（“部門”）的類型組合決定。

知識超圖 (Knowledge HyperGraph)允許關系 r具有任意元數（Arity），例如collaborate(Alice, Bob, ProjectX, 2024)。在醫學或法律領域，一個診斷結論往往依賴于“癥狀+病史+基因+環境”的多路聯合證據；一條法律判決涉及“原告+被告+法條+判例+司法解釋”的復雜關聯。

而知識超超圖 (Knowledge SuperHyperGraph)進一步將實體和關系本身層級化：實體可以是“團隊”或“項目群”，關系可以是“協作關系集”。例如一條法律判決涉及“原告+被告+法條+之前判例+司法解釋”的復雜關聯。知識超超圖可用來編碼這類數據。

圖14：知識超超圖示例，其中超頂點是基集的類型化子集，而超超邊則是配備邊類型的公共超頂點集的非空子集。

為了描述節點之間的組合規律，接口圖（Port Graph）中節點不再是連接的終點，而是連接的中介。每個節點擁有顯式的“端口”（Ports），邊只連接端口，不直接連接節點。

圖15：簡單接口圖的示例

之后照例遞歸得到端口超超圖（Port HyperGraph），讓端口本身也可以是層級化的。一個“部門級端口”可能包含多個“員工級端口”。這使得我們可以精確定義跨層級的通信協議，避免了傳統圖中“全連接”帶來的語義歧義。

開放超圖 (Open HyperGraph ）基于范疇論中的余跨圖（Cospan） 概念。一個開放超圖不僅有內部結構，還有明確的輸入接口（Input Interface） 和輸出接口（Output Interface），兩個開放超超圖可以通過“粘合”它們的匹配接口來合成一個新的、更大的開放超超圖。這是神經符號AI和可組合深度學習的底層數學語言，保證了模塊組合時的類型一致性與行為可預測性。

將多層網絡與開放超圖融合，得到多模態一階超超圖Multimodal 1-SuperHyperGraph中的每種模態代表一種特定類型的群體交互關系（如溝通、資源共享、物理連接等），并通過權重系數進行融合或區分。

在一個由人員組成的系統中（圖15），模態1（Communication）描述團隊之間的信息交流頻率和強度。模態2（Resource Sharing）：描述團隊之間共享設備、數據或預算的程度。這兩個模態作用于完全相同的團隊集合 V，但擁有各自獨立的超邊結構和權重，從而能夠更精細地刻畫復雜組織中“人際互動”與“資源依賴”這兩種截然不同但又相互交織的高階動態。

圖16：多模態一階超超圖示例

操作交互圖(Operadic Interaction Graph)將高階交互視為具有特定輸入/輸出類型的“操作”，并通過代換（Substitution）實現嵌套組合。它完美刻畫了工作流、化學反應路徑或程序調用棧的結構化組合。

當網絡需要包含邏輯推理時，閉包蘊含圖 (Closure-Implication Graph, CIG)引入閉包算子（Closure Operator）。如果 a∈cl(S），則意味著集合 S 邏輯上蘊含或強制產生 a。這將關聯規則挖掘、形式概念分析（FCA）和因果推理自然地嵌入到了圖結構中。例如，在故障診斷中，“傳感器A異常 + 傳感器B異常”的閉包必然包含“子系統c失效”。

圖17：閉包-蘊含圖示意

模體（motif）是圖中反復出現的局部高階子結構。模體超圖（Motif SuperHyper Graph）的頂點是原圖中的模體，邊表示這些實例之間的重疊或高階關聯。在腦科學中，特定的神經元集群同步模式，即模體可能是認知功能的基本單元，模體超超圖讓我們能夠在“模式之模式”的層級上研究復雜系統的功能涌現。

圖18：基于圖G得到的模體超圖

該書第五章從語法到語義，從靜態到動態，從確定性到不確定性讓高階網絡的表征從靜態走向了動態，讓高階網絡能夠建模復雜適應系統。

新增高階圖結構

前四章已經分別從對象、空間、計算和語義四個層面構建了高階網絡的基本框架。本章則更多體現了作者在新版中的進一步擴展：不再追求新的統一思想，而是針對不同應用場景，對已有框架進行更加細粒度的專門化設計。下面簡述其中幾種。

n階過濾圖 (n-Filtrated Graph)中配備n個過濾層級，頂點和邊隨層級漸進出現（類似持久同調中的過濾），用于刻畫網絡的多尺度生長或分辨率演化。

圖19：2階過濾圖示意

深度-N 關聯超超圖 (Depth-N Incidence SuperHyperGraph)：不再單純依賴迭代冪集，而是通過“廣義關聯對象”（Incidence objects）及其支撐集（Support）遞歸定義高層邊，提供了更靈活的層級關聯關系。

組合圖 (Compositional Graph)中明確定義了帶有輸入/輸出接口的圖模塊，并通過雙射匹配接口進行“膠合”（Gluing），形式化了通過組合小模塊構建大圖的過程。

多動態圖與多無限圖 (m-Multidynamic & Multiinfinite Graph)中圖系統沿m個并行的時間軸或無限軸演化，配備相干的轉移同態，適合描述具有多個獨立演化維度的復雜系統（如空間+時間+社會維度的耦合）。

邊迭代超超圖 (Edge-Iterated SuperHyperGraph)中不僅頂點通過迭代冪集生成，邊本身也通過迭代冪集生成（如邊是邊的集合），實現了關聯雙側的徹底層級化，并通過“展平”（Flattening）操作恢復實際關聯。

遞歸元圖 (Recursive MetaGraph)的邊可以遞歸地包含低層級的元邊，允許在“圖的圖”中表達嵌套的元關系。

完全高階圖結構-高階網絡理論的“大一統”框架

該書第七章針對前面章節的碎片化的描述，例如從集合論的遞歸嵌套到拓撲復形的幾何粘合，從張量網絡的代數壓縮到范疇論的語義組合，都是第八章提出的同一套元框架（meta-framework），即完全高階圖結構 (Complete Higher-Graphic Structure, CHGS)的不同實例。了解這樣一個類型化且模塊化的元框架 (Typed Modular Meta-Framework)，讀者可通過從這八個可選層選擇部分根據自己的需求自由組合，來精確適配不同的高階建模需求。8個可選層分別是

（1）上下文-排序載體層，解決“實體在哪里”的問題。引入索引集(如時間、層級、模態)和排序集(針對頂點、邊、面)

（2） 關系簽名層，解決“誰和誰交互”的問題。例如3普通圖是二元對稱關系，有向圖是二元非對稱關系，超圖是變元數關系，知識圖譜是帶標簽的二元關系。

（3） 操作簽名層 ，定義邊如何生成及變換，可能的算子包括粘合 (Gluing)、代換 (Substitution)、面映射 (Face maps)、張量收縮等。

（4）解釋層將符號轉為數學定義，確保了形式語法與語義模型之間的嚴格對應，避免了自然語言描述中的歧義。

（5）等式/相干層，通過如結合律、單位元、Operad 等變性、單純恒等式這類代數定律，保證結構的合法性。

（6）屬性層，掛載上下文信息，連接結構與外部世界。

（7）權重/張量層，引入定量信息，支持數值計算。

（8） 閉包層，編碼邏輯蘊含與推導語義，滿足擴張性、單調性、冪等性。

舉例來看，在社交網絡分析中，CHGS可同時采用用戶關系（關系層）、時間演化（上下文層）和影響力權重（權重層）進行建模。

為了避免表征中的冗余，文中指出如果移除層λ后，存在確定性重構過程Rλ，可由剩余結構無損還原完整原始結構，則λ是冗余的。例如，在某些場景中，“權重層”可能完全由“關系層+屬性層”決定，此時權重層就是冗余的，應被剔除以降低復雜度。

實際應用中，同一問題有著符合 CHGS 的不同建模方案，文章提出了四個互補的指標（即表現力，組合性覆蓋率，可學習性及描述長度 ），優秀的建模需在這四個指標間尋找帕累托最優。

由于 CHGS 是完全形式化和模塊化的，它天然適配程序合成 (Program Synthesis) 和AutoML。可用于自動對復雜系統使用高階網絡，選取其中幾層配置。

總結

本書全面概述了可用于建模高階網絡的數學概念。書中系統梳理了基礎概念、擴展框架以及新引入的形式體系，重點闡述了它們的結構原理、相互關系及其在建模中的作用。

從計算角度來看，具備廣闊前景的研究方向主要包含以下三類：設計用于高階中心性分析和社區檢測的可擴展算法；多路高階交互場景下的影響力與信息流傳播動力學算法，區分靜態結構與動態過程；針對高階數據的基于學習的推理方法（例如因子圖/Tanner圖表示上的消息傳遞，或用于結構化多路依賴的張量收縮）。此外，我們也期待該理論在決策支持系統（多準則約束下的群體評估與共識達成）、機器學習（超圖與單純形神經網絡模型）以及其他需要建模和分析復雜高階交互的領域中獲得更廣泛的應用。

高階網絡社區

隨著對現實世界探索的不斷深入，人們發現在許多真實的復雜系統中，組成系統的個體之間不僅存在二元交互關系，也廣泛存在多個體同時（或以特定順序）進行交互，即高階交互現象。為此，研究人員分別發展出了基于超圖、單純復形、依賴關系等的網絡高階表示模型，為復雜網絡分析和研究提供了新的思路。

由電子科技大學呂琳媛老師、任曉龍老師及中國地質大學（北京）管青老師在集智俱樂部聯合發起了【 】。讀書會圍繞高階交互網絡的基本概念、模型、方法與應用等研究進行研討，按照「基礎理論」+「深入理論」+「案例研討」的模式展開。讀書會第一季已經圓滿結束，第二季正在籌備中。現在報名加入可以解鎖第一季全部錄播視頻并加入社群交流。

詳情請見：

1.

2.

3.

4.

5.

6.

7.