[논문 리뷰] Convergent sequences of sparse graphs: A large deviations approach

Christian Borgs, Jennifer Chayes외 1명|arXiv (Cornell University)|2013. 02. 19.

Limits and Structures in Graph Theory참고 문헌 12인용 수 6

한 줄 요약

이 논문은 i.i.d. 노드 무게에 의해 유도되는 [0,1] 및 [0,1]² 상의 랜덤 측도를 통해 정의된 스퍼스 그래프 수열 분석을 위한 새로운 프레임워크인 대편차(LD) 수렴을 제안한다. LD-수렴은 우측 수렴, 좌측 수렴, 분할 수렴을 포함하며, 임계 자유 에너지를 표현하는 극한 물체를 제공함으로써 수렴 개념 간의 이전에 알려지지 않은 관계를 해결한다.

ABSTRACT

In this paper we introduce a new notion of convergence of sparse graphs which we call Large Deviations or LD-convergence and which is based on the theory of large deviations. The notion is introduced by "decorating" the nodes of the graph with random uniform i.i.d. weights and constructing random measures on $[0,1]$ and $[0,1]^2$ based on the decoration of nodes and edges. A graph sequence is defined to be converging if the corresponding sequence of random measures satisfies the Large Deviations Principle with respect to the topology of weak convergence on bounded measures on $[0,1]^d, d=1,2$. We then establish that LD-convergence implies several previous notions of convergence, namely so-called right-convergence, left-convergence, and partition-convergence. The corresponding large deviation rate function can be interpreted as the limit object of the sparse graph sequence. In particular, we can express the limiting free energies in terms of this limit object.

연구 동기 및 목표

• 스퍼스 그래프에 대해 이전의 개념들인 좌측 수렴, 우측 수렴, 분할 수렴이 서로 동치임이 알려져 있지 않은 통합된 수렴 프레임워크의 부족을 해결한다.
• i.i.d. 노드 장식에 기반한 대편차 원리(LDP)를 적용한 새로운 수렴 개념인 대편차(LD) 수렴을 제안한다.
• LD-수렴이 기존의 수렴 유형들(우측 수렴, 좌측 수렴, 분할 수렴)을 포함함을 증명함으로써 이들을 동일한 극한 물체 아래 통합한다.
• 대편차 비용 함수를 극한 물체로 제공하여 그래프 위의 통계역학 모델의 임계 자유 에너지를 캐릭터라이즈한다.
• 수렴 개념의 계층에 관한 열린 질문을 해결하기 위해, 분할 수렴이 좌측/우측 수렴을 함의하지 않으며, 우측 수렴이 분할 수렴을 함의하지 않는다는 것을 증명한다.

제안 방법

• 각 그래프의 노드에 [0,1] 상의 i.i.d. 균일 난수 무게를 할당하여, 간선 및 노드 기여를 통해 [0,1] 및 [0,1]² 상의 랜덤 측도로 변환한다.
• 이러한 랜덤 측도의 법칙 수렴을 유한 측도 위의 약한 수렴 위상에서 정의함으로써 LD-수렴을 정의한다.
• 이 수열의 랜덤 측도에 대해 대편차 원리(LDP)를 적용하여 LD-수렴을 공식화한다.
• LDP의 비용 함수를 그래프 수열의 극한 물체로 사용하며, 이는 호모모르피즘 밀도의 점근적 행동을 특징짓는다.
• 극한 물체의 구조를 분석하고 반례를 제시하여 수렴 유형 간의 함의 관계를 수립한다.
• 통계역학 및 스핀 거품 이론의 도구를 활용하여 G(n,c/n) 및 G(n,Δ)와 같은 자연스러운 무작위 그래프 모델의 수렴성을 분석한다.

실험 결과

연구 질문

• RQ1 스퍼스 그래프에 대해 좌측 수렴, 우측 수렴, 분할 수렴을 모두 포함하는 통합된 수렴 프레임워크를 개발할 수 있는가?
• RQ2 LD-수렴이 스퍼스 그래프에 대해 이전에 정의된 모든 수렴 개념을 함의하는가?
• RQ3 분할 수렴과 다른 수렴 유형 간의 관계는 무엇인가? 특히, 분할 수렴이 좌측 또는 우측 수렴을 함의하는가?
• RQ4 LD-수렴의 극한 물체는 그래프 위의 통계역학 모델의 자유 에너지로 해석될 수 있는가?
• RQ5 G(n,c/n) 및 G(n,Δ)와 같은 자연스러운 무작위 그래프 수열은 거의 확실히 LD-수렴하는가?

주요 결과

• LD-수렴은 i.i.d. 노드 장식에 의해 유도되는 랜덤 측도에 대편차 원리를 적용하여 정의되며, 이는 스퍼스 그래프에 대한 새로운 강력한 수렴 기준을 제공한다.
• LD-수렴은 우측 수렴, 좌측 수렴, 분할 수렴을 모두 함의하며, 이전에 별개로 여겨졌던 개념들을 통합하는 계층을 수립한다.
• 대편차 비용 함수는 극한 물체로서 기능하며, 그래프 수열 위의 모델의 임계 자유 에너지를 표현하는 데 사용될 수 있다.
• 논문은 분할 수렴이 우측 또는 좌측 수렴을 함의하지 않는다는 반례를 구성하여 이전에 열려 있던 질문을 해결한다.
• 또한 우측 수렴이 분할 수렴을 함의하지 않는다는 것을 보여주어 수렴 개념의 계층이 엄격함을 입증한다.
• 저자들은 에르되시-레니 무작위 그래프 G(n,c/n)와 무작위 정규 그래프 G(n,Δ)가 거의 확실히 LD-수렴한다고 추측하며, 이 이론을 기본적인 무작위 그래프 모델과 연결한다.