[論文レビュー] Characteristic Length and Clustering

Oliver Knill|arXiv (Cornell University)|Oct 13, 2014

Topological and Geometric Data Analysis参考文献 29被引用数 6

ひとこと要約

本稿は、有限単純グラフにおけるローカルクラスタリングの幾何的解釈を提示し、局所クラスタリング係数 $ C(x) $ を単位球 $ S(x) $ の相対的特徴的長さ $ L(x) = 2 - C(x) $ として表現することで、ローカルクラスタリングと計量的性質の間の関係を確立する。主な貢献は、特徴的長さ $ \mu $ と平均クラスタリング係数 $ \nu $ の間の統計的関係 $ \mu \sim \log(1/\nu) $ であり、比 $ \lambda = \mu / \log(1/\nu) $ がグラフの極限において収束するという事実から、クラスタリング、曲率、ネットワーク次元の間の深い関係が示唆される。

ABSTRACT

We explore relations between various variational problems for graphs like Euler characteristic chi(G), characteristic length mu(G), mean clustering nu(G), inductive dimension iota(G), edge density epsilon(G), scale measure sigma(G), Hilbert action eta(G) and spectral complexity xi(G). A new insight in this note is that the local cluster coefficient C(x) in a finite simple graph can be written as a relative characteristic length L(x) of the unit sphere S(x) within the unit ball B(x) of a vertex. This relation L(x) = 2-C(x) will allow to study clustering in more general metric spaces like Riemannian manifolds or fractals. If eta is the average of scalar curvature s(x), a formula mu ~ 1+log(epsilon)/log(eta) of Newman, Watts and Strogatz relates mu with the edge density epsilon and average scalar curvature eta telling that large curvature correlates with small characteristic length. Experiments show that the statistical relation mu ~ log(1/nu) holds for random or deterministic constructed networks, indicating that small clustering is often associated to large characteristic lengths and lambda=mu/log(nu) can converge in some graph limits of networks. Mean clustering nu, edge density epsilon and curvature average eta therefore can relate with characteristic length mu on a statistical level. We also discovered experimentally that inductive dimension iota and cluster-length ratio lambda correlate strongly on Erdos-Renyi probability spaces.

研究の動機と目的

• 有限単純グラフにおけるローカルクラスタリングと計量的構造の間の幾何的リンクを確立すること。
• 特徴的長さ $ \mu $、平均クラスタリング $ \nu $、曲率関連汎関数の間の統計的関係を調査すること。
• 比 $ \lambda = \mu / \log(1/\nu) $ がグラフの極限において収束するかどうかを調査し、普遍的なスケーリング行動を示唆すること。
• 球面上の条件付き確率測度を用いて、一般の計量空間へのクラスタリング概念の拡張を試みること。
• 特にエラーズ＝レニイ・ランダムグラフにおいて、$ \mu $、$ \nu $、帰納的次元 $ \iota $ の間の変分的関係を検討すること。

提案手法

• 局所クラスタリング係数 $ C(x) $ を単位球 $ S(x) $ における辺密度として定義し、$ C(x) = 2 - L(x) $ と表現する。ここで $ L(x) $ は $ S(x) $ の $ B(x) $ 内での相対的特徴的長さを表す。
• ニューマン＝ウォウズ＝ストロガッツの公式 $ \mu \sim 1 + \log(\epsilon)/\log(\eta) $ を用い、特徴的長さ $ \mu $ を辺密度 $ \epsilon $ と平均スカラー曲率 $ \eta $ に関連付ける。
• 長さ-クラスタリング比 $ \lambda = \mu / \log(1/\nu) $ を定義し、特にエラーズ＝レニイ・ネットワークにおいてその収束を検討する。
• 帰納的次元 $ \iota(G) $ の概念を適用し、$ \lambda $ と比較する。ランダムグラフ空間において強い実験的相関が観察される。
• 確率的および幾何的推論を用いて、ケイリー群における語関係と衝突を介したネットワーク成長をモデル化し、$ \mu \sim \log(n) $ と $ \nu \sim 1/n $ の関係を結びつける。
• 半径 1 と 2 における球の体積を比較することで、$ \log(2^{\iota(x)-1} \delta / \delta_2) $ を用いて一般化されたスカラー曲率を定義し、計量測度空間への曲率概念の拡張を試みる。

実験結果

リサーチクエスチョン

• RQ1 局所クラスタリング係数 $ C(x) $ は、単位球内での相対的特徴的長さ $ L(x) $ として表現可能か？
• RQ2 大規模なランダムグラフの極限において、比 $ \lambda = \mu / \log(1/\nu) $ は収束するか？ これは普遍的なスケーリング則を示唆するか？
• RQ3 エラーズ＝レニイ・ランダムグラフにおいて、特徴的長さ $ \mu $、平均クラスタリング $ \nu $、帰納的次元 $ \iota $ の間の相関関係はいかなるものか？
• RQ4 球面上の条件付き確率を用いて、任意の計量測度空間へのクラスタリング概念の一般化は可能か？
• RQ5 ホモトピー制約下で、特徴的長さ $ \mu $ の最小化とオイラー特性 $ \chi $ の最小化の間に変分的関係は存在するか？

主な発見

• 局所クラスタリング係数 $ C(x) $ は $ C(x) = 2 - L(x) $ を満たし、ここで $ L(x) $ は単位球 $ S(x) $ の点同士の平均距離を表す。これにより、直接的な幾何的解釈が確立される。
• 実験により、ランダムおよび決定的ネットワーク全体にわたり、$ \mu \sim \log(1/\nu) $ が統計的に成り立つことが示され、低クラスタリングは大規模な特徴的長さと相関する。
• 比 $ \lambda = \mu / \log(1/\nu) $ はエラーズ＝レニイ・ランダムグラフの極限において収束し、クラスタリングと経路長の間の普遍的なスケーリング関係を示唆する。
• エラーズ＝レニイ確率空間において、長さ-クラスタリング比 $ \lambda $ と帰納的次元 $ \iota $ の間には強い実証的相関が観察される。
• 多項式写像によって定義される軌道的ネットワークでは、三角形の数が有界であるため $ \nu(G) \leq C/n $ が成り立ち、$ \log(\nu(G)) \leq \log(C) - \log(n) $ が得られる。これは、低衝突仮定下で $ \mu \sim \log(n) $ のスケーリングが支持される。
• 本稿では、$ \mu $ の最小化がオイラー特性 $ \chi $ の最小化と関連している可能性を示唆している。両者ともスカラー曲率およびヒルベルト作用と関係しているが、小規模なグラフを超えては未解決のままである。