[논문 리뷰] Characteristic Length and Clustering

Oliver Knill|arXiv (Cornell University)|2014. 10. 13.

Topological and Geometric Data Analysis참고 문헌 29인용 수 6

한 줄 요약

이 논문은 유한 단순 그래프에서 局부 클러스터링의 새로운 기하학적 해석을 제안한다. 국소 클러스터링 계수 $ C(x) $ 를 단위 구면 $ S(x) $ 가 단위 구역 $ B(x) $ 내에서의 상대적 특성 길이 $ L(x) = 2 - C(x) $ 로 표현함으로써, 국소 클러스터링을 메트릭 성질과 연결한다. 주요 기여는 $ \mu \sim \log(1/\nu) $ 인 통계적 관계로, 여기서 $ \mu $ 는 특성 길이이고 $ \nu $ 는 평균 클러스터링 계수이며, 비율 $ \lambda = \mu / \log(1/\nu) $ 가 그래프의 극한에서 수렴함을 보여, 클러스터링, 곡률, 네트워크 차원성 간의 깊은 연결성을 시사한다.

ABSTRACT

We explore relations between various variational problems for graphs like Euler characteristic chi(G), characteristic length mu(G), mean clustering nu(G), inductive dimension iota(G), edge density epsilon(G), scale measure sigma(G), Hilbert action eta(G) and spectral complexity xi(G). A new insight in this note is that the local cluster coefficient C(x) in a finite simple graph can be written as a relative characteristic length L(x) of the unit sphere S(x) within the unit ball B(x) of a vertex. This relation L(x) = 2-C(x) will allow to study clustering in more general metric spaces like Riemannian manifolds or fractals. If eta is the average of scalar curvature s(x), a formula mu ~ 1+log(epsilon)/log(eta) of Newman, Watts and Strogatz relates mu with the edge density epsilon and average scalar curvature eta telling that large curvature correlates with small characteristic length. Experiments show that the statistical relation mu ~ log(1/nu) holds for random or deterministic constructed networks, indicating that small clustering is often associated to large characteristic lengths and lambda=mu/log(nu) can converge in some graph limits of networks. Mean clustering nu, edge density epsilon and curvature average eta therefore can relate with characteristic length mu on a statistical level. We also discovered experimentally that inductive dimension iota and cluster-length ratio lambda correlate strongly on Erdos-Renyi probability spaces.

연구 동기 및 목표

• 유한 단순 그래프에서 국소 클러스터링과 메트릭 구조 간의 기하학적 연결 고리를 확립하기 위해.
• 특성 길이 $ \mu $, 평균 클러스터링 $ \nu $, 곡률 관련 기능수 간의 통계적 관계를 탐색하기 위해.
• 비율 $ \lambda = \mu / \log(1/\!\!\nu) $ 가 그래프 극한에서 수렴하는지 조사하여, 보편적 스케일링 행동을 시사하기 위해.
• 조건부 확률 측도를 구면에 적용하여 클러스터링 개념을 일반적인 메트릭 공간으로 확장하기 위해.
• 특히 에르되시-레니 랜덤 그래프에서 $ \mu $, $ \nu $, 그리고 인덕티브 차원 $ \iota $ 간의 변분 관계를 검토하기 위해.

제안 방법

• 국소 클러스터링 계수 $ C(x) $ 를 단위 구면 $ S(x) $ 내의 간선 밀도로 정의하고, $ C(x) = 2 - L(x) $ 로 표현함. 여기서 $ L(x) $ 는 $ S(x) $ 가 $ B(x) $ 내에서의 상대적 특성 길이이다.
• 뉴먼-워츠-스트로가츠 공식 $ \mu \sim 1 + \log(\epsilon)/\log(\eta) $ 를 사용하여 특성 길이 $ \mu $ 를 간선 밀도 $ \epsilon $ 와 평균 스칼라 곡률 $ \eta $ 와 연결한다.
• 길이-클러스터링 비율 $ \lambda = \mu / \log(1/\nu) $ 를 정의하고, 특히 에르되시-레니 네트워크에서 그래프 극한에서의 수렴성을 연구한다.
• 인덕티브 차원 $ \iota(G) $ 를 정의하고, $ \lambda $ 와 비교함으로써 랜덤 그래프 공간에서 강한 실험적 상관관계를 관측한다.
• 확률적 및 기하적 추론을 활용하여 케일리 그래프에서의 단어 관계와 충돌을 통한 네트워크 성장 모델링을 수행하고, $ \mu \sim \log(n) $ 와 $ \nu \sim 1/n $ 간의 연결을 설정한다.
• 반경 1과 2에서의 구면 부피를 비교함으로써 $ \log(2^{\iota(x)-1} \delta / \delta_2) $ 를 통한 일반화된 스칼라 곡률 정의를 통해, 곡률 개념을 메트릭 측도 공간으로 확장한다.

실험 결과

연구 질문

• RQ1 국소 클러스터링 계수 $ C(x) $ 는 단위 구역 $ B(x) $ 내에서의 단위 구면 $ S(x) $ 의 상대적 특성 길이 $ L(x) $ 로 표현될 수 있는가?
• RQ2 대규모 랜덤 그래프의 극한에서 비율 $ \lambda = \mu / \log(1/\nu) $ 가 수렴하는가? 이는 보편적 스케일링 법칙을 시사하는가?
• RQ3 에르되시-레니 랜덤 그래프에서 특성 길이 $ \mu $, 평균 클러스터링 $ \nu $, 그리고 인덕티브 차원 $ \iota $ 는 어떻게 상관관계가 있는가?
• RQ4 조건부 확률 측도를 구면에 적용하여 클러스터링 개념을 임의의 메트릭 측도 공간으로 일반화할 수 있는가?
• RQ5 특히 호모토피 제약 조건 하에서, 특성 길이 $ \mu $ 를 최소화하는 것과 오일러 특성수 $ \chi $ 를 최소화하는 것 사이에 변분 관계가 존재하는가?

주요 결과

• 국소 클러스터링 계수 $ C(x) $ 는 $ C(x) = 2 - L(x) $ 를 만족하며, 여기서 $ L(x) $ 는 단위 구역 $ B(x) $ 내에서 단위 구면 $ S(x) $ 의 점들 간 평균 거리이다. 이는 직접적인 기하학적 해석을 확립한다.
• 실험 결과, 랜덤 및 결정적 네트워크 전반에서 $ \mu \sim \log(1/\nu) $ 가 통계적으로 성립함을 보여, 낮은 클러스터링은 큰 특성 길이와 관련이 있음을 시사한다.
• 비율 $ \lambda = \mu / \log(1/\nu) $ 는 에르되시-레니 랜덤 그래프의 극한에서 수렴함을 보여, 클러스터링과 경로 길이 간의 보편적 스케일링 관계를 시사한다.
• 에르되시-레니 확률 공간에서 길이-클러스터링 비율 $ \lambda $ 와 인덕티브 차원 $ \iota $ 간에 강한 경험적 상관관계가 관측된다.
• 다항식 사상으로 정의된 궤도 네트워크의 경우 삼각형 수가 유계이므로 $ \nu(G) \leq C/n $ 이고, $ \log(\nu(G)) \leq \log(C) - \log(n) $ 가 성립함을 보여, 낮은 충돌 가정 하에서 $ \mu \sim \log(n) $ 스케일링이 지지된다.
• 논문은 $ \mu $ 를 최소화하는 것이 오일러 특성수 $ \chi $ 를 최소화하는 것과 관련이 있을 수 있다고 제안한다. 이는 둘 다 스칼라 곡률과 힐버트 작용과 관련되어 있으나, 소규모 그래프를 초월해선 아직 증명되지 않았다.