[論文レビュー] An Algorithm Generating Scale Free Graphs

Dimitri Volchenkov, Ph. Blanchard|arXiv (Cornell University)|Apr 5, 2002

Complex Network Analysis Techniques参考文献 6被引用数 7

ひとこと要約

本稿では、制御パラメータ η を調整することで、指数分布からべき乗則分布への遷移を示すスケールフリーネットワークを生成する、新しいしきい値ベースのランダムグラフ生成アルゴリズムを提案する。preferential attachmentとは異なり、安定性のしきい値を動的に調整することで、べき乗則指数 γ ∈ (1, ∞) を解析的に制御可能であり、η = 1 における一様分布およびべき乗則分布のしきい値分布に対して正確な解が得られる。

ABSTRACT

We propose a simple random process inducing various types of random graphs and the scale free random graphs among others. The model is of a threshold nature and differs from the preferential attachment approach discussed in the literature before. The degree statistics of a random graph in our model is governed by the control parameter $η$ stirring the pure exponential statistics for the degree distribution (at $η=0,$ when a threshold is changed each time a new edge added to the graph) to a power law (at $η=1$, when the threshold is frozen). The exponent $γ$ characterizing the power law can vary in the wide range $γ\in(1,\infty)$ and can be tuned in different values $γ_{\mathrm{in}}$ and $γ_{\mathrm{out}}$ for in-degrees and out-degrees probability distributions independently. For the intermediate values of $η$, the decay rate is mixed. Taking different statistics for the threshold changes, one obtains dissimilar asymptotic profiles for the degree distribution having, in general, nothing to do with power laws at $η=1$, but still uniformly exponential at $η=0.$

研究の動機と目的

• preferential attachment の制限を回避する新しいスケールフリーランダムグラフ生成メカニズムの開発を目的とする。
• しきい値ベースの動的プロセスが、調整可能な指数を有するべき乗則度分布をどのように生成できるかを調査することを目的とする。
• べき乗則度統計にとどまらず、混合および指数減衰領域を含む一般化された解析的可解モデルを提供することを目的とする。
• 特に、入力および出力度分布が異なる有向ネットワークにおける、しきい値ダイナミクスがネットワークトポロジーに与える影響を調査することを目的とする。

提案手法

• モデルは、頂点にエッジが順次追加され、動的に更新されるしきい値を超えると、新たな頂点にリセットされるランダムプロセスを用いる。
• 制御パラメータ η はしきい値の感度を制御する：η = 0 ではエッジごとにしきい値が更新される（指数分布度統計）、η = 1 ではしきい値が固定される（べき乗則統計）。
• 生成関数およびラプラス変換を用いて度分布 P(k) を導出するが、一様およびべき乗則分布のしきい値分布に対して正確な解が得られる。
• η = 1 の場合、度分布は P(k) ∝ 1/((k+1)(k+2)) ≈ k⁻² に漸近的に従い、べき乗則指数 γ = 2 に対応する。
• 入力および出力エッジに異なるしきい値ダイナミクスを適用することで、in-degree および out-degree の指数 γ_in および γ_out を独立して調整可能である。
• すべての η に対して P(k) を導出するための解析的逆算式が用いられ、有限の η に対しては組合せ係数 c(m,l) および b(m,l) の和を含む式が得られる。

実験結果

リサーチクエスチョン

• RQ1 しきい値ベースのランダムプロセスは、解析的に取り扱えるべき乗則度分布を有するスケールフリーネットワークを生成できるか？
• RQ2 制御パラメータ η は、ランダムグラフにおける指数分布からべき乗則分布への統計的遷移にどのように影響するか？
• RQ3 このモデルで達成可能なべき乗則指数 γ の範囲は何か？また、しきい値分布に依存するか？
• RQ4 本モデルは、ウェブや引用ネットワークのような現実のネットワークで観察されるように、独立した入力度および出力度指数を生成できるか？
• RQ5 中間的な η 値における度分布の漸近的挙動は何か？また、クロスオーバー スケール k_c(η) は η にどのように依存するか？

主な発見

• η = 1 の場合、度分布は P(k) = 1/((k+1)(k+2)) に従い、漸近的に k⁻² に従い、べき乗則指数 γ = 2 に対応する。
• しきい値分布 g(u) ∝ (1−u)^β （β > −1）を調整することで、べき乗則指数 γ を広い範囲 (1, ∞) に調整可能である。
• η ≠ 1 の場合、度分布は混合減衰を示す：小きょうな k では指数的減衰、大きな k ではべき乗則に類似した減衰を示し、クロスオーバー スケール k_c(η) ∼ 1/ln(s₀) が η → 1 に伴い発散する。
• 本モデルは、すべての η に対して P(k) の解析的解を生成可能であり、組合せ係数 c(m,l) および b(m,l) の和を含む正確な式が得られる。
• 本モデルはべき乗則の範囲を越えて一般化可能である：η = 1 では非べき乗則のしきい値分布でも、η = 0 では指数分布度統計を示すが、η = 1 では非べき乗則の漸近的挙動を示す可能性がある。
• 入力および出力エッジに異なるしきい値ダイナミクスを適用することで、in-degree および out-degree の指数 γ_in および γ_out を独立して制御可能である。