[論文レビュー] Degree correlations in scale-free null models

Clara Stegehuis|arXiv (Cornell University)|Sep 4, 2017

Complex Network Analysis Techniques参考文献 34被引用数 4

ひとこと要約

本稿は、スケールフリーネットワークにおける次数相関—特に平均近隣次数 $a(k)$—が、3つの広く使われているノイズモデル（消去配置モデル、ランク1非一様ランダムグラフ、双曲的ランダムグラフ）において、次数 $k$ と共に減少することを示している。$a(k)$ が $n^{(\tau-2)/(\tau-1)}$ を超えて減少し、漸近的にべき則 $a(k) \sim k^{\tau-3}$ に従うことが示され、実世界のスケールフリーネットワークで観測される非一様性の理論的説明がなされている。

ABSTRACT

We study the average nearest neighbor degree $a(k)$ of vertices with degree $k$. In many real-world networks with power-law degree distribution $a(k)$ falls off in $k$, a property ascribed to the constraint that any two vertices are connected by at most one edge. We show that $a(k)$ indeed decays in $k$ in three simple random graph null models with power-law degrees: the erased configuration model, the rank-1 inhomogeneous random graph and the hyperbolic random graph. We consider the large-network limit when the number of nodes $n$ tends to infinity. We find for all three null models that $a(k)$ starts to decay beyond $n^{(τ-2)/(τ-1)}$ and then settles on a power law $a(k)\sim k^{τ-3}$, with $τ$ the degree exponent.

研究の動機と目的

• 実世界のスケールフリーネットワークにおけるべき則次数分布を示す平均近隣次数 $a(k)$ の経験的観測された減少を説明すること。
• この減少が、自己ループや多重辺の欠如といった単純なネットワーク制約の構造的結果であるかどうかを特定すること。
• 多重辺や自己ループを除外し、べき則次数分布を保持する3つの代表的ノイズモデルにおける $a(k)$ を分析すること。
• 大規模ネットワークの極限において $a(k)$ の減少が開始する閾値 $k \sim n^{(\tau-2)/(\tau-1)}$ を特定すること。
• 複数のノイズモデルにわたって、この閾値を超える $k$ に対して、$a(k) \sim k^{\tau-3}$ の普遍的なべき則減少を確立すること。

提案手法

• スプライス度クラスの処理を可能にする滑らかな近傍定義を用いて、平均近隣次数 $a_{\varepsilon}(k,G)$ を分析する。
• 指定された次数を持つランダムグラフを生成し、多重辺と自己ループを除去する消去配置モデルを適用する。
• 接続確率がべき則分布に従う隠れ変数から抽出されるランク1非一様ランダムグラフモデルを使用する。
• 頂点を双曲空間に配置し、角度的および半径的距離に基づいて接続される双曲的ランダムグラフモデルを採用する。
• 大規模ネットワークの極限において、確率的カップリングと集中不等式を用いて $a(k)$ の漸近的表現を導出する。
• 隠れ変数の順序統計とテイラー展開を用いて、$a_{\varepsilon_n}(k)$ が確率的にある決定的極限に収束することを確立する。

実験結果

リサーチクエスチョン

• RQ1 実世界のスケールフリーネットワークにおける $a(k)$ の減少は、多重辺や自己ループの欠如といった構造的制約に起因するか？
• RQ2 べき則次数指数 $\tau \in (2,3)$ を持つ大規模ネットワークにおいて、$a(k)$ の減少はどの次数 $k$ で開始するか？
• RQ3 べき則次数分布を保持する異なるノイズモデルにおいて、$a(k)$ の減少は普遍的か？
• RQ4 これらのノイズモデルにおいて、大規模な $k$ における $a(k)$ の関数的形は何か？
• RQ5 高次度頂点において、$a(k)$ とクラスタリング係数 $c(k)$ の間には理論的関係を確立できるか？

主な発見

• $k \ll n^{(\tau-2)/(\tau-1)}$ の場合、$a(k)$ はほぼ一定であり、ノイズモデルにおける低次度頂点には次数相関がないことを示している。
• $k \gg n^{(\tau-2)/(\tau-1)}$ の場合、$a(k)$ は $k^{\tau-3}$ に従って減少し、$\tau$ はべき則分布の次数指数である。
• 減少の開始は $k \sim n^{(\tau-2)/(\tau-1)}$ で発生し、これは無相関から非一様性への遷移を示している。
• 漸近的挙動 $a(k) \sim k^{\tau-3}$ は、消去配置モデル、ランク1非一様ランダムグラフ、双曲的ランダムグラフモデルのすべてで普遍的である。
• 理論的導出により、$a(k)$ の減少が、任意の2頂点が高々1本の辺で接続できるという構造的制約の直接的結果であることが確認された。
• 大規模な $k$ に対して、$a(k)$ とクラスタリング係数 $c(k)$ の明示的な関係が確立され、$a(k)$ の減少が実ネットワークにおける $c(k)$ の減少を説明する仮説を支持している。