[논문 리뷰] Large Deviations of Non-Stochastic Interacting Particles on Sparse Random Graphs

James MacLaurin|arXiv (Cornell University)|2020. 10. 27.

Complex Network Analysis Techniques참고 문헌 37인용 수 4

한 줄 요약

이 논문은 랜덤 그래프의 희박성과 초기 조건에서 비롯되는 랜덤성 외에는 시간에 따라 변하지 않는 확률적 성질이 없는 비스토크asti크 상호작용 입자 시스템에 대해 대 deviations 원리(Principle)를 수립한다. 중첩된 경험 측도(nested empirical measure)를 도입하고 연속적인 동역학 맵을 통한 후퇴 전달(push-forward) 기법을 사용하여, 시스템의 경험 측도에 대한 대 deviations 비용 함수가 초기 조건의 비용 함수로부터 유도됨을 증명한다. 이는 평균 차수 평균이 매우 느리게 증가하더라도 여전히 성립한다.

ABSTRACT

This paper concerns the large deviations of a system of interacting particles on a random graph. There is no stochasticity, and the only sources of disorder are the random graph connections, and the initial condition. The average number of afferent edges on any particular vertex must diverge to infinity as $N o \infty$, but can do so at an arbitrarily slow rate. These results are thus accurate for both sparse and dense random graphs. A particular application to sparse Erdos-Renyi graphs is provided. The theorem is proved by pushing forward a Large Deviation Principle for a `nested empirical measure' generated by the initial conditions to the dynamics. The nested empirical measure can be thought of as the density of the density of edge connections: the associated weak topology is more coarse than the topology generated by the graph cut norm, and thus there is a broader range of application.

연구 동기 및 목표

• 시간에 따라 변하지 않는 확률적 성질이 없는 상호작용 입자 시스템에 대해 대 deviations 이론 프레임워크를 개발함. 이 경우의 불규칙성은 오직 랜덤 그래프의 구조와 초기 조건에서 기인한다.
• 평균 차수가 매우 느리게 증가하는 경우를 포함한 희박한 랜덤 그래프로 대 deviations 이론을 확장함.
• 표준 그래프론(graphon) 또는 컷-노름(cut-norm) 기법이 정규성 부족으로 인해 실패하는 비ergodic 또는 비균일한 네트워크 구조에 대한 도전에 대응함.
• 연속적인 후퇴 전달 맵을 통해 초기 조건의 대 deviations와 유도된 동역학 사이의 엄밀한 연결 고리를 확립함.
• 오직 네트워크의 불규칙성에 의해 복잡한 집단적 행동(예: 신경 폭발 또는 일시적 상태)이 생성될 수 있음을 이론적으로 기반화함.

제안 방법

• 각 노드의 전입 연결 조건 분포를 코딩할 수 있는 '중첩된 경험 측도'를 도입하여, 기존의 그래프 컷-노름보다 더 세밀한 위상 구조를 가능하게 함.
• 초기 조건의 경험 측도를 입자 시스템의 경로-동역학 측도로 전달하는 동역학 맵 Ψ를 정의함.
• 연속 경로의 확률 측도 공간 위에서 약한 위상 하에서 맵 Ψ의 연속성을 증명함.
• 역 수축 원리(inverse contraction principle)와 바라다한의 수축 원리(Varadhan's contraction principle)를 사용하여, 초기 조건 공간의 대 deviations 원리를 동역학 시스템 공간으로 전달함.
• 중첩된 경험 측도에 의해 유도되는 위상에서의 지수적 밀도성과 컴팩트성 확보를 통해 근사 수열의 수렴을 보장함.
• 약한 수렴 기법을 활용하고 근사 측도의 코시 수열을 구성함으로써, 균일 연속성이 없을 경우에도 후퇴 전달 맵의 극한을 정의함.

실험 결과

연구 질문

• RQ1 시간에 따라 변하지 않는 노이즈가 존재하지 않는 희박한 랜덤 그래프 상의 비스토크asti크 상호작용 입자 시스템에 대해 대 deviations 원리를 수립할 수 있는가?
• RQ2 평균 차수가 매우 느리게 발산하는 경우, 시스템의 대 deviations 행동은 초기 조건과 그래프 구조에 어떻게 의존하는가?
• RQ3 희박한 그래프 환경에서 동역학 맵의 연속성을 보장하기 위해 경험 측도 공간에 필요한 위상적 구조는 무엇인가?
• RQ4 노이즈 없이 오직 그래프의 불규칙성만으로도 입자 시스템에서 희귀하지만 중요한 집단적 행동(예: 일시적 상태 또는 폭발)을 생성할 수 있는가?
• RQ5 세밀한 경험 측도 위상 하에서, 동질적이지 않은 연결성(예: O(1) 연결 수를 가진 노드 포함)을 가진 시스템에 대해 후퇴 전달 방법을 어떻게 적용할 수 있는가?

주요 결과

• 입자 시스템의 경험 측도에 대한 대 deviations 비용 함수는 연속적인 동역학 맵 Ψ를 통해 초기 조건의 경험 측도 비용 함수로부터 후퇴 전달된 결과이다.
• 이 방법은 평균 차수가 N에 대해 무한히 증가하는 한, 희박한 그래프뿐 아니라 조밀한 그래프(예: 에르되시-레니 Erdos-Renyi 그래프)에도 적용 가능하다.
• 중첩된 경험 측도의 사용은 그래프 컷-노름보다 더 굵은 위상 구조를 가능하게 하여, 희박한 그래프에서의 정규성 부족에도 불구하고 더 넓은 적용 가능성을 확보한다.
• 동역학 맵 Ψ는 경로 공간 위에서 약한 위상 하에서 연속적이며, 이는 바라다한의 수축 원리를 적용하기에 필수적이다.
• 증명 과정에서 후퇴 전달 맵의 극한이 존재하고 유일함을 입증하였으며, 이는 그래프의 구조가 매우 비균일하더라도 성립한다.
• 이 프레임워크는 오직 위상적 불규칙성에 의해 유도되는 희귀한 사건(예: 일시적 신경 상태 또는 폭발)을 성공적으로 포착하며, 내재된 노이즈에 의존하지 않는다.