[论文解读] Convergent Sequences of Dense Graphs I: Subgraph Frequencies, Metric Properties and Testing

Christian Borgs, Jennifer Chayes+3 more|ArXiv.org|Jan 31, 2007

Topological and Geometric Data Analysis参考文献 17被引用 14

一句话总结

本文建立了稠密图序列中左收敛（基于子图密度极限）与度量收敛（基于割距离）之间的等价性，引入了适用于大小不等图的广义割距离。核心贡献在于通过图子理论，构建了一个连接图极限、Szemerédi 分区、采样与性质测试的基础框架，其应用涵盖准随机性与优化问题。

ABSTRACT

We consider sequences of graphs and define various notions of convergence related to these sequences: ``left convergence'' defined in terms of the densities of homomorphisms from small graphs into the graphs of the sequence, and ``right convergence'' defined in terms of the densities of homomorphisms from the graphs of the sequence into small graphs; and convergence in a suitably defined metric. In Part I of this series, we show that left convergence is equivalent to convergence in metric, both for simple graphs, and for graphs with nodeweights and edgeweights. One of the main steps here is the introduction of a cut-distance comparing graphs, not necessarily of the same size. We also show how these notions of convergence provide natural formulations of Szemeredi partitions, sampling and testing of large graphs.

研究动机与目标

• 正式化并统一稠密图序列收敛性的概念，特别是左收敛与度量收敛。
• 开发一种广义割距离，使不同大小图的比较成为可能，从而支持收敛性分析。
• 将图极限理论与实际应用（如采样、性质测试及 Szemerédi 分区）相联系。
• 为网络科学、统计力学与组合优化中大规模图的研究提供理论基础。

提出的方法

• 通过极限图子空间中两图差的割范数，引入大小不等图之间的广义割距离。
• 将图子定义为稠密图序列的极限对象，表示为 [0,1]² 上的对称可测函数。
• 证明左收敛（子图密度收敛）等价于图子空间中割范数度量的收敛。
• 通过阶梯函数逼近，证明图子可被有限图以任意精度逼近，从而支持有限采样与测试。
• 将该理论应用于定义和分析大规模图中采样集中性与参数估计。
• 引入 W-随机图概念，并证明从图子中采样得到的图在分布上收敛于原始图子。

实验结果

研究问题

• RQ1 如何形式化并表征稠密图序列的收敛性，使其对图的大小具有鲁棒性？
• RQ2 左收敛（通过子图密度）与度量收敛（通过割距离）之间存在何种关系？
• RQ3 图子与割距离理论能否用于形式化并分析大规模图中的采样与性质测试？
• RQ4 Szemerédi 分区如何与图序列的收敛性及图子的结构相关联？
• RQ5 在加权图背景下，左收敛与右收敛（通过同态密度映射到固定图）之间存在何种关系？

主要发现

• 图序列的左收敛等价于割范数度量下的收敛，确立了图极限理论中的基本等价关系。
• 即使两图顶点数不同，其割距离仍可定义，从而支持跨序列的比较与收敛性分析。
• 图子是收敛图序列的极限对象，且每个图子均可通过阶梯函数以任意精度逼近。
• 从大规模图中采样有限个节点，其样本分布收敛于原始图子，从而支持图参数的一致估计。
• 该理论为通过采样小部分图来测试大规模图的性质提供了严格基础，且正确分类的概率很高。
• 左收敛蕴含右收敛（通过同态密度映射到固定软核图），且在某些条件下，右收敛也蕴含左收敛。