[논문 리뷰] Asymptotic enumeration of graphs by degree sequence, and the degree sequence of a random graph

Anita Liebenau, Nick Wormald|arXiv (Cornell University)|2017. 02. 27.

Limits and Structures in Graph Theory인용 수 4

한 줄 요약

이 논문은 무작위 그래프에서 G(n,m) 및 G(n,p) 모델 전반에 걸쳐도 degree sequence가 합 조건 하에 독립적인 이항분포 랜덤 변수로 渐近적으로 잘 근사됨을 증명하며, 이는 Binomial Approximation Conjecture를 해결함으로써 이루어진다. 주요 결과는 모든 d에 대해 d-정규 그래프의 수에 대한 渐近 공식을 제시함으로써 1990년에 제기된 오랜 추측을 해결하고, 중앙값 degree와 같은 degree distribution 성질의 정밀 분석을 가능하게 한다.

ABSTRACT

In this paper we relate a fundamental parameter of a random graph, its degree sequence, to a simple model of nearly independent binomial random variables. This confirms a conjecture made in 1997. As a result, many interesting functions of the joint distribution of graph degrees, such as the distribution of the median degree, become amenable to estimation. Our result is established by proving an asymptotic formula conjectured in 1990 for the number of graphs with given degree sequence. In particular, this gives an asymptotic formula for the number of $d$-regular graphs for all $d$, as $n o\infty$.

연구 동기 및 목표

• 모든 밀도 범위에서 degree sequence에 의한 그래프의 渐近 수세기 문제를 해결함으로써 1990년도 Binomial Approximation Conjecture를 해결하는 것.
• 무작위 그래프의 degree sequence와 독립적인 이항분포 랜덤 변수 사이의 엄밀한 연결 고리를 확립하여 희박 및 조밀한 영역을 넘어서는 일반화를 이루는 것.
• G(n,m) 및 G(n,p)의 degree sequence를 통합적으로 모델링하여 복잡한 함수형의 추정이 가능하게 하는 프레임워크를 제공하는 것.
• 점 확률 비율을 degree sequence 공간에서 추정하기 위한 고정점 분석 기반의 새로운 분석 프레임워크를 개발하는 것.
• 이항분포 근사 모델의 적용 가능 범위를 이분 그래프 및 방향 그래프와 같은 더 넓은 무작위 그래프 클래스로 확장하는 것.

제안 방법

• degree sequence가 주어진 그래프의 수에 대한 渐近 공식을 도출하기 위해 degree sequence 공간 내 점 확률 비율을 추정하는 데 새로운 접근법을 사용하는 것.
• 관련 연산자의 고정점을 도입하고 분석하여 degree sequence 확률 근사의 오차 항을 제어하는 것.
• 진짜 그래프 degree 확률과 독립적인 이항분포 변수의 확률을 비교하기 위해 변형 방법을 적용하여, 이항 모델 하에서 수렴성을 보이는 것.
• 보조 그래프와 크기 편향 표본 추출을 통한 커플링 추론을 활용하여 진짜 degree sequence와 이항 모델 간의 전체 변화 거리의 상한을 구하는 것.
• μ₁, ε, δ 등의 매개변수를 활용한 오차 항 분석을 통해 특히 중간 밀도 영역에서의 근사 편차를 제어하는 것.
• 이전의 희박 및 조밀 그래프 연구 결과를 기반으로 하여, 연산자 기반 보간법을 통해 전체 degree 범위로 확장하는 것.

실험 결과

연구 질문

• RQ1 이항분포 근사 모델은 모든 밀도, 특히 중간 밀도 영역에서도 무작위 그래프의 degree sequence를 정확하게 기술하는가?
• RQ2 1990년에 제기된 바에 따르면, c√n ≤ d = o(n/log n) 범위의 d에 대해 d-정규 그래프의 수는 어떻게 渐近적으로 표현되는가?
• RQ3 G(n,m)의 degree sequence는 합이 2m가 되도록 조건화된 독립적인 이항분포 변수의 수열로 잘 근사될 수 있는가?
• RQ4 중앙값 degree와 같은 순서 통계량의 분포는 어떻게 이항분포 근사 모델을 통해 분석할 수 있는가?
• RQ5 어떤 기법들이 이항분포 근사 모델의 적용 범위를 이분 그래프나 방향 그래프와 같은 더 넓은 무작위 그래프 클래스로 확장하는가?

주요 결과

• Binomial Approximation Conjecture가 증명되어, 적절한 조건 하에 무작위 그래프의 degree sequence가 渐近적으로 독립적인 이항분포 랜덤 변수 수열과 동치임을 확인한다.
• 모든 d에 대해 1 ≤ d ≤ n−2 를 만족하는 d-정규 그래프의 수에 대한 渐近 공식이 확립되었으며, 공식은 |(n−1 choose d)^n * (n choose 2 choose m) / (n(n−1)/2 choose 2m) * e^{1/4}| 로 주어지며, 여기서 m = dn/2 이다.
• 이항 모델에서의 근사 오차는 O(μ₁ε⁴ + 1/n²) 로 나타나며, μ₁ 및 ε 는 독립성에서의 편차를 제어한다.
• 이 방법을 통해 이전 기법으로는 접근이 어려웠던 무작위 그래프에서 중앙값 degree 및 기타 순서 통계량의 분포를 정밀하게 추정할 수 있게 되었다.
• 이 프레임워크는 랜덤 이분 그래프, 순환 없는 방향 그래프, 초그래프 등 다른 무작위 그래프 모델로도 일반화 가능하다.
• 고정점 분석과 연산자 비율 기반의 증명 기법은 조합론에서의 향후 渐近 수세기 작업에 탄탄한 기초를 제공한다.