[논문 리뷰] Universality for the distance in finite variance random graphs: Extended version

Henri van den Esker, Remco van der Hofstad외 1명|ArXiv.org|2006. 05. 16.

Complex Network Analysis Techniques참고 문헌 19인용 수 7

한 줄 요약

이 논문은 분산이 유한한 랜덤 그래프의 광범위한 클래스, 즉 구성 모델, 일반화된 랜덤 그래프, 기대도 랜덤 그래프를 포함하여 점 渐近 그래프 거리의 보편성을 확립한다. 이론적 모델을 포isson 랜덤 그래프와 결합하고, 거리가 $\log_\nu N$ 주위에서의 변동성이 강한 조건을 만족함으로써, 노드 용량에 의해 결정되는 $\nu$에 대해 거리가 $\log_\nu N$로 증가함을 보여준다. 이는 도로의 모멘트 조건과 용량의 첨부 꼬리 행동이 $\tau > 3$를 만족할 때 성립한다. 이 결과는 이전의 발견을 분산이 유한한 도로를 가진 광범위한 모델 클래스로 확장한다.

ABSTRACT

We generalize the asymptotic behavior of the graph distance between two uniformly chosen nodes in the configuration model to a wide class of random graphs. Among others, this class contains the Poissonian random graph, the expected degree random graph and the generalized random graph (including the classical Erdos-Renyi graph). In the paper we assign to each node a deterministic capacity and the probability that there exists an edge between a pair of nodes is equal to a function of the product of the capacities of the pair divided by the total capacity of all the nodes. We consider capacities which are such that the degrees of a node has uniformly bounded moments of order strictly larger than two, so that, in particular, the degrees have finite variance. We prove that the graph distance grows like \log_νN, where the νdepends on the capacities. In addition, the random fluctuations around this asymptotic mean \log_νN are shown to be tight. We also consider the case where the capacities are independent copies of a positive random Λwith \prob{Λ> x}\leq cx^{1-τ}, for some constant c and τ>3, again resulting in graphs where the degrees have finite variance. The method of proof of these results is to couple each member of the class to the Poissonian random graph, for which we then give the complete proof by adapting the arguments of the corresponding result for the configuration model.

연구 동기 및 목표

• 분산이 유한한 도로를 가진 광범위한 랜덤 그래프 모델 클래스에서 그래프 거리의 보편적 점 渐진 행동을 확립하기 위해.
• 구성 모델에서의 거리 결과를 일반화된 랜덤 그래프, 기대도 랜덤 그래프, 포아송 랜덤 그래프와 같은 모델들로 일반화하기 위해.
• 두 개의 균일하게 랜덤 선택된 노드 사이의 그래프 거리가 $\log_\nu N$로 스케일링되며, 이때 $\nu$는 노드 용량에 따라 달라지며, 이에 따른 변동성이 강한 조건을 증명하기 위해.
• 노드 용량이 첨부 꼬리 분포를 가진 i.i.d. 분포를 가지며 $\mathbb{P}(\Lambda > x) \leq c x^{1-\tau}$, $\tau > 3$를 만족할 경우, 도로의 분산이 유한하며, 거리가 여전히 $\log_\nu N$로 스케일링되며 변동성이 강한 조건을 분석하기 위해.
• 전체 증명을 포아송 랜덤 그래프에 모든 모델을 결합함으로써 완성하고, [13]에서 제시된 주장들을 적응 및 상세히 기술하기 위해.

제안 방법

• 논문은 모든 모델에서 거리 결과가 성립하기 위한 필요충분조건으로 포아송 랜덤 그래프(PRГ)에서 성립하는지 여부를 보여주는 결합 방법을 사용한다.
• 간선이 노드 $i$와 $j$ 사이에 존재할 확률이 $p_{ij} = h(\lambda_i \lambda_j / l_N)$인 일반적인 랜덤 그래프 모델을 정의하며, $h(x) - x = \mathcal{O}(x^2)$ as $x \downarrow 0$ 조건을 통해 국소적으로 나무 구조를 갖는 것을 보장한다.
• 이 방법은 일반 모델을 포아송 랜덤 그래프(PRГ)와 결합함으로써, 노드 용량 $\lambda_i$가 주어진 조건부 포아송 분포에 기반한 분기 과정 근사화를 가능하게 한다.
• 핵심 기술 도구로는 도로와 용량의 모멘트 경계, 농도 불등식, 이웃 영역 성장 제어를 위한 분기 과정 근사화를 사용한다.
• 증명은 [13]에서 제시된 보조 보조정리들을 적응 및 상세히 기술하며, 특히 이웃 영역 크기와 도로 분포의 분산에 관한 내용을 포함한다.
• 모멘트 경계와 尾 꼬리 추정을 통해 $\log_\nu N$ 주위의 변동성이 강한 조건을 확립하며, 여기서 $\nu = \mathbb{E}[D(D-1)] / \mathbb{E}[D]$는 효과적 분기 수이다.

실험 결과

연구 질문

• RQ1 분산이 유한한 도로를 가진 광범위한 랜덤 그래프 클래스에서 거리가 보편적으로 $\log_\nu N$로 스케일링되는가?
• RQ2 구성 모델에서의 거리 결과를 일반화된 랜덤 그래프 및 기대도 랜덤 그래프와 같은 모델들로 확장할 수 있는가?
• RQ3 노드 용량이 점 渐진 거리 스케일링과 그 주위의 변동성에 미치는 역할은 무엇인가?
• RQ4 첨부 꼬리 분포를 가진 용량($\mathbb{P}(\Lambda > x) \leq c x^{1-\tau}$, $\tau > 3$)은 도로 분산과 거리 행동에 어떤 영향을 미치는가?
• RQ5 주어진 조건 하에서 이들 모델 클래스 전반에 걸쳐 $\log_\nu N$ 주위의 변동성이 강한 조건이 유지되는가?

주요 결과

• 균일하게 랜덤 선택된 두 노드 사이의 그래프 거리는 점 渐진적으로 $\log_\nu N$로 증가하며, 여기서 $\nu = \mathbb{E}[D(D-1)] / \mathbb{E}[D]$이며, 이는 고려된 모델 클래스 전반에 걸쳐 보편적이다.
• 도로의 두 번째 이상의 모멘트가 균일하게 유한할 조건 하에서, $\log_\nu N$ 주위의 랜덤 변동성이 강한 조건임이 입증되었으며, 이는 $N \to \infty$일 때 발산하지 않음을 의미한다.
• i.i.d. 용량 $\Lambda$가 $\mathbb{P}(\Lambda > x) \leq c x^{1-\tau}$ 및 $\tau > 3$ 조건을 만족할 경우, 도로의 분산이 유한하며, 거리가 여전히 $\log_\nu N$로 스케일링되며 변동성이 강한 조건임이 입증된다.
• 결합 방법을 통해 모든 모델 클래스에서 거리 결과가 성립하는 것은 포아송 랜덤 그래프에서 성립하는 것과 동치임을 증명함으로써 문제를 PRG에서의 증명으로 단순화한다.
• 이론적 증명은 이웃 영역 성장과 모멘트 경계에 관한 보조정리의 완전한 세부 사항을 제공하며, 이는 이전 작업에서만 약간의 개요로 제시된 바 있다. 특히 [13]에서의 내용을 포함한다.
• 결과는 일반화된 랜덤 그래프, 기대도 랜덤 그래프, 구성 모델과 같은 모델들 사이에서 분산이 유한한 도로 조건 하에서 로그 거리 스케일링의 보편성을 확인한다.