[논문 리뷰] Directed random graphs with given degree distributions

Ningyuan Chen, Mariana Olvera‐Cravioto|arXiv (Cornell University)|2012. 07. 10.

Gene expression and cancer classification인용 수 4

한 줄 요약

이 논문은 근사적으로 i.i.d. 도수 수열을 등각적인 내-외도수 합을 갖도록 구성한 후 방향성 있는 구성 모델을 적용하여, 사전에 정해진 내-외도수 분포를 갖는 단순 방향성 무작위 그래프를 생성하는 방법을 제안한다. 유한 분산 조건 하에서 단순 그래프를 얻는 확률이 0에서 일정하게 떨어져 있음을 증명하고, 단순성 조건 하에서 경험적 도수 분포가 그래프 크기가 커짐에 따라 목표 분포로 수렴함을 보인다.

ABSTRACT

Given two distributions F and G on the nonnegative integers we propose an algorithm to construct in- and out-degree sequences from samples of i.i.d. observations from F and G, respectively, that with high probability will be graphical, that is, from which a simple directed graph can be drawn. We then analyze a directed version of the configuration model and show that, provided that F and G have finite variance, the probability of obtaining a simple graph is bounded away from zero as the number of nodes grows. We show that conditional on the resulting graph being simple, the in- and out-degree distributions are (approximately) F and G for large size graphs. Moreover, when the degree distributions have only finite mean we show that the elimination of self-loops and multiple edges does not significantly change the degree distributions in the resulting simple graph.

연구 동기 및 목표

• 사전에 정해진 내-외도수 분포를 갖는 단순 방향성 무작위 그래프를 생성하기 위한 방법을 개발한다.
• 내-외도수 수열이 고도로 확률적으로 그래픽적임을 보장하기 위해 그 합을 균형 잡고 i.i.d. 표본 추출 특성을 유지한다.
• 방향성 구성 모델을 분석하고, 결과로 얻어진 단순 그래프가 점점 더 목표 도수 분포를 유지함을 보인다.
• 자기 순환선과 다중 간선을 제거한 후에도 도수 분포가 약간도 변하지 않도록 보장하는 조건을 설정한다.

제안 방법

• 목표 분포 F와 G에서 i.i.d. 표본을 추출하여 내-외도수 수열을 구성한 후 잔여 균형 기법을 사용해 합이 동일하도록 조정한다.
• 내-스터브와 외-스터브를 무작위로 짝지어 방향성 간선을 형성함으로써 방향성 구성 모델을 적용한다.
• 자기 순환선과 다중 간선을 제거하기 위해 거부 샘플링 또는 간선 제거 절차를 사용하여 최종 그래프가 단순함을 보장한다.
• F와 G가 유한 분산을 갖는 한, 단순 그래프를 얻는 확률이 0에서 일정하게 떨어져 있음을 증명한다.
• 집중 부등식과 조건부 확률 경계를 사용하여 간선 제거가 도수 분포에 미치는 영향을 분석한다.
• 강한 법칙, 유계 수렴, 파투의 보조정리와 같은 확률론적 도구를 활용하여 경험적 도수 분포의 점근적 수렴을 확립한다.

실험 결과

연구 질문

• RQ1 유한한 알고리즘 복잡도와 확장 가능성을 갖는 알고리즘을 통해 사전에 정해진 내-외도수 분포를 갖는 단순 방향성 무작위 그래프를 생성할 수 있는가?
• RQ2 노드 수가 증가함에 따라 무작위로 간선를 연결했을 때 단순 그래프를 얻는 확률이 0에서 일정하게 떨어져 있는 조건은 무엇인가?
• RQ3 자기 순환선과 다중 간선 제거 과정이 최종 그래프의 내-외도수 분포에 상당한 영향을 미치는가?
• RQ4 최종 단순 그래프에서 경험적 내-외도수 분포가 목표 분포 F와 G에 얼마나 가까운가?

주요 결과

• 내-외도수 분포 F와 G가 유한 분산을 갖는 한, 방향성 구성 모델을 통해 단순 그래프를 생성할 확률이 n → ∞ 일 때 0에서 일정하게 떨어져 있다.
• 그래프가 단순함을 조건으로 하면, 경험적 내-외도수 분포가 노드 수가 증가함에 따라 거의 확실히 목표 분포 F와 G로 수렴한다.
• 유한 평균만을 가정하더라도, 간선 제거 후 최종 단순 그래프의 도수 분포는 약간도 변하지 않으며, 노드의 도수 변화가 1을 초과할 확률은 n이 증가함에 따라 사라진다.
• 내-외도수 합을 균형 잡고 근사적으로 i.i.d. 표본 추출 특성을 유지함으로써, 구성된 도수 수열이 고도로 확률적으로 그래픽적임을 보장한다.
• 파투의 보조정리와 집중 부등식을 포함한 확률적 경계를 사용하여 경험적 도수 분포의 수렴을 확립한다.