[논문 리뷰] The maximal degree in random recursive graphs with random weights

Bas Lodewijks, Marcel Ortgiese|arXiv (Cornell University)|2020. 07. 10.

Complex Network Analysis Techniques인용 수 4

한 줄 요약

이 논문은 정점의 i.i.d. 랜덤 가중치가 연결 확률에 영향을 주는 가중치가 부여된 랜덤 순차 그래프에서 최대 차수의 점점 증가하는 행동을 연구한다. 최대 차수의 점점 증가하는 행동은 가중치 분포의 尾행동에 따라 결정되며, Fréchet 유형의 가중치의 경우 주요 항이 랜덤이며 포아송 점 프로세스의 기능으로 수렴하고, Gumbel 유형의 가중치의 경우 주요 항이 결정론적이며, 초기에는 난수성의 변동이 예상되었으나, 전체 정점 집합을 고려할 때 두 번째 항 역시 결정론적임을 놀랍게 밝혀낸다.

ABSTRACT

We study a generalisation of the random recursive tree (RRT) model and its multigraph counterpart, the uniform directed acyclic graph (DAG). Here, vertices are equipped with a random vertex-weight representing initial inhomogeneities in the network, so that a new vertex connects to one of the old vertices with a probability that is proportional to their vertex-weight. We first identify the asymptotic degree distribution of a uniformly chosen vertex for a general vertex-weight distribution. For the maximal degree, we distinguish several classes that lead to different behaviour: For bounded vertex-weights we obtain results for the maximal degree that are similar to those observed for RRTs and DAGs. If the vertex-weights have unbounded support, then the maximal degree has to satisfy the right balance between having a high vertex-weight and being born early. For vertex-weights in the Frechet maximum domain of attraction the first order behaviour of the maximal degree is random, while for those in the Gumbel maximum domain of attraction the leading order is deterministic. Surprisingly, in the latter case, the second order is random when considering vertices in a compact window in the optimal region, while it becomes deterministic when considering all vertices.

연구 동기 및 목표

• growing random recursive graphs에서 랜덤 정점 가중치가 차수 분포 및 최대 차수에 미치는 영향을 이해하는 것.
• 특히 유계, Fréchet, Gumbel 분포의 영역에 속하는 다양한 가중치 분포 하에서 최대 차수의 점점 증가하는 행동을 특성화하는 것.
• Gumbel 분포 가중치에 대해 최대 차수의 두 번째 차수 변동이 관측 창 안에서는 난수성으로 보이지만 전체 정점 집합을 고려할 때는 결정론적임을 보이는 명백한 모순을 해결하는 것.

제안 방법

• 각 신규 정점가 기존 정점들과 연결될 확률이 정점의 랜덤 i.i.d. 가중치 비례하는 성장하는 랜덤 그래프 모델링.
• 그래프가 커질 때 극한에서 균일하게 선택된 정점의 차수 분포 분석.
• 각 정점의 기대 차수의 변동을 제어하기 위해 조건부 기대와 농도 부등식 사용.
• 극값 이론과 포아송 점 프로세스 극한을 적용하여 최대 차수의 분포 특성화.
• 조건부 차수 모멘트의 점점 증가하는 결과를 유도하기 위해 갱신 과정과 마틴게일 기법을 결합한 커플링 기법 사용.
• 최대 차수의 최적 영역을 분리하기 위해 윈도잉 접근법을 활용하고, 최대 차수의 위치와 값의 공동 수렴을 증명함.

실험 결과

연구 질문

• RQ1 i.i.d. 정점 가중치를 가진 가중치가 부여된 랜덤 순차 그래프에서 균일하게 선택된 정점의 점점 증가하는 차수 분포는 어떻게 행동하는가?
• RQ2 정점 가중치가 무한정 지지역을 가질 때 최대 차수의 첫 번째 차수 점점 증가 행동은 무엇에 의해 결정되는가?
• RQ3 Gumbel 분포 가중치를 가진 경우, 최대 차수의 두 번째 차수 변동은 왜 압축 창 안에서는 난수성으로 보이지만 전체 정점 집합을 고려할 때는 결정론적일까?
• RQ4 최대 차수를 가진 정점의 위치는 점점 증가하는 방식으로 어떻게 행동하는가? 그리고 최대 차수 값과의 공동 극한은 무엇인가?
• RQ5 정점 가중치가 Fréchet 최대 극한 영역에 속할 경우 최대 차수의 극한 분포는 무엇인가?

주요 결과

• 유계 정점 가중치의 경우 최대 차수는 고전적 랜덤 순차 트리와 유사하게 로그적으로 증가한다.
• 정점 가중치가 Fréchet 영역에 속할 경우 최대 차수의 주요 항은 랜덤이며, 포아송 점 프로세스의 기능으로 분포 수렴한다.
• Gumbel 분포 가중치의 경우 최대 차수의 첫 번째 차수 증가가 결정론적이며, 난수성의 두 번째 차수 변동이 예상되었던 것과는 정반대이다.
• 놀랍게도 전체 정점 집합을 고려할 경우, 압축 창 외부에서도 두 번째 차수 항이 결정론적임을 확인할 수 있었는데, 이는 더 큰 최적 영역을 고려해야 하기 때문이다.
• 적절하게 정규화된 최대 차수를 가진 정점의 위치는 로그 척도에서 균일 분포로 수렴하며, 이 극한은 가중치 분포에 따라 달라진다.
• 최대 차수의 위치와 값의 공동 수렴이 입증되었으며, 이는 최대 차수의 극한 분포가 Gumbel 유형의 극값 분포임을 보여준다.