公式逐条解释：Extremal Dependence and Community-Structured Risk
公式逐条解释：Extremal Dependence and Community-Structured Risk
公式 (1)
原式/专业表达： R_uv(t)=||(X_u(t),X_v(t))||_2
符号解释： 把两个节点 u 和 v 的风险向量合并，计算欧氏长度。
直觉解释： 长度越大，说明这两个节点组合起来处于更强的异常/极端状态。
写作时可以这样说： 公式 (1) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (2)
原式/专业表达： sigma_ij^(u,v)=lim_{x->infty} E[(X_{u,i}/R_uv)(X_{v,j}/R_uv) | R_uv > x]
符号解释： 定义 TPDM 的一个条目：在系统非常极端时，u 的第 i 个指标和 v 的第 j 个指标一起占多大比例。
直觉解释： 这是尾部依赖的核心，不看平时，只看极端状态。
写作时可以这样说： 公式 (2) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (3)
原式/专业表达： T_uv(eta)={t in {1,...,T}: R_uv(t)>q_eta}
符号解释： 取出超过高分位数 q_eta 的时刻。
直觉解释： eta=0.95 表示只看最极端的 5% 时刻。
写作时可以这样说： 公式 (3) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (4)
原式/专业表达： hat sigma_ij^(u,v)=1/|T_uv(eta)| sum_{t in T_uv(eta)} (X_{u,i}(t)/R_uv(t))(X_{v,j}(t)/R_uv(t))
符号解释： 用样本平均估计公式 (2)。
直觉解释： 真实极限看不到，只能用超过阈值的观测时刻近似。
写作时可以这样说： 公式 (4) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (5)
原式/专业表达： hat w_uv=(1/m^2) sum_i sum_j hat sigma_ij^(u,v)
符号解释： 把 m by m 的 TPDM 条目平均成一个节点对边权。
直觉解释： 把复杂矩阵压缩成图上的一条边强度。
写作时可以这样说： 公式 (5) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (6)
原式/专业表达： A_uv=1(hat w_uv >= tau)
符号解释： 如果边权超过阈值 tau，就认为 u 和 v 之间存在极端依赖边。
直觉解释： 把连续强度变成有边/无边的邻接矩阵。
写作时可以这样说： 公式 (6) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (7)
原式/专业表达： tilde W_uv = normalized hat w_uv on selected edges
符号解释： 把保留下来的边权归一化。
直觉解释： 让不同指标尺度可比较，方便中心性和风险分数计算。
写作时可以这样说： 公式 (7) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (8)
原式/专业表达： DC_i=k_i/(N-1)
符号解释： 度中心性等于节点 i 的邻居数除以最大可能邻居数。
直觉解释： 越接近 1，直接连接越多。
写作时可以这样说： 公式 (8) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (9)
原式/专业表达： BC_i=sum_{s!=i,t!=i,s!=t} sigma_st(i)/sigma_st
符号解释： 介数中心性累计 i 出现在其他节点最短路径上的比例。
直觉解释： 越高越像桥梁或关口。
写作时可以这样说： 公式 (9) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (10)
原式/专业表达： BN_i=2BC_i/((N-1)(N-2))
符号解释： 把介数中心性归一化。
直觉解释： 避免节点数不同导致数值不可比。
写作时可以这样说： 公式 (10) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (11)
原式/专业表达： Q = (1/2M) sum_ij [A_ij - k_i k_j/(2M)] 1(c_i=c_j)
符号解释： 模块度衡量社区内部连接是否比随机网络更多。
直觉解释： Q 越高，社区划分越明显。
写作时可以这样说： 公式 (11) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (12)
原式/专业表达： tilde X_i=(X_i-min_j X_j)/(max_j X_j-min_j X_j+epsilon)
符号解释： min-max 归一化。
直觉解释： 把不同指标压到 0 到 1 附近，epsilon 防止除以 0。
写作时可以这样说： 公式 (12) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (13)
原式/专业表达： CE_i = average_{j in C(i), j!=i} tilde W_ij, if |C(i)|>1; otherwise 0
符号解释： 社区嵌入强度等于节点与同社区其他节点的平均极端边权。
直觉解释： 孤立社区没有内部邻居，所以设为 0。
写作时可以这样说： 公式 (13) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (14)
原式/专业表达： R_i=alphatilde DC_i + betatilde BC_i + gammatilde TE_i + deltatilde CE_i
符号解释： 综合风险分数。
直觉解释： 把本地连接、桥接、尾部暴露、社区嵌入四类风险合成一个分数。
写作时可以这样说： 公式 (14) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (15)
原式/专业表达： alpha+beta+gamma+delta=1, all >=0
符号解释： 权重非负且总和为 1。
直觉解释： 保证 R_i 是可解释的加权平均。
写作时可以这样说： 公式 (15) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (16)
原式/专业表达： Q_k = average_{(u,v) in E_k} tilde W_uv, if |E_k|>0; otherwise 0
符号解释： 社区内部极端耦合强度。
直觉解释： 衡量一个社区内部在极端状态下绑定得有多紧。
写作时可以这样说： 公式 (16) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (17)
原式/专业表达： Omega_ab = aggregate coupling between communities C_a and C_b
符号解释： 社区 a 和社区 b 之间的极端耦合强度。
直觉解释： 把节点图压缩成社区图时使用的边权。
写作时可以这样说： 公式 (17) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (18)
原式/专业表达： S={C_k: Q_k ranks top k_s and Rbar_k ranks top k_s}
符号解释： 源社区集合。
直觉解释： 内部耦合强且平均风险高的社区被视为潜在风险源。
写作时可以这样说： 公式 (18) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (19)
原式/专业表达： Rbar_k=(1/|C_k|) sum_{i in C_k} R_i
符号解释： 社区平均风险。
直觉解释： 把节点风险汇总到社区层。
写作时可以这样说： 公式 (19) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (20)
原式/专业表达： min_z sum_{(a,b) in E^(c)} c_ab z_ab
符号解释： 最小化所选社区接口的总干预成本。
直觉解释： 在所有能切断 source-target 的方案里选代价最小的。
写作时可以这样说： 公式 (20) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (21)
原式/专业表达： all paths from S to T are separated after selecting z_ab=1
符号解释： 约束：选中的接口必须切断源社区到目标社区的所有路径。
直觉解释： 这保证干预集合在构造图上确实形成割。
写作时可以这样说： 公式 (21) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (22)
原式/专业表达： z_ab in {0,1}
符号解释： 二元决策变量。
直觉解释： 1 表示选这条社区间边进行干预，0 表示不选。
写作时可以这样说： 公式 (22) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (23)
原式/专业表达： c_ab=1/(Omega_ab+epsilon)
符号解释： 干预成本代理。
直觉解释： 耦合越强，越值得优先干预，所以成本设得越低。
写作时可以这样说： 公式 (23) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (24)
原式/专业表达： Precision=|E_hat_risk ∩ E_risk|/|E_hat_risk|; Recall=|E_hat_risk ∩ E_risk|/|E_risk|
符号解释： 评估恢复风险边的准确率和召回率。
直觉解释： precision 看预测边有多少是真的；recall 看真风险边找回多少。
写作时可以这样说： 公式 (24) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。
公式 (25)
原式/专业表达： F1=2PrecisionRecall/(Precision+Recall)
符号解释： F1 综合 precision 和 recall。
直觉解释： 两者都高时 F1 才高。
写作时可以这样说： 公式 (25) 用来把论文中的一个核心对象转化为可计算量，从而服务于极端依赖网络、节点风险排序或社区干预分析。