[论文解读] Graph bootstrap percolation

József Balogh, Béla Bollobás+1 more|arXiv (Cornell University)|Jul 7, 2011

Stochastic processes and statistical mechanics被引用 4

一句话总结

本文研究了完全图 $K_n$ 上的随机图Bootstrap渗滤过程，聚焦于 $K_r$-Bootstrap模型，其中当一条边与所有其他边均已感染的 $K_r$ 完成时即被感染。对于所有 $r \geq 4$，本文将临界概率 $p_c(n, K_r)$ 确定到多对数因子范围内，并对 $r=4$ 给出了精确阈值，表明在 $p_c(n, K_4) = (1+o(1))\alpha / \sqrt{n\log n}$ 处存在一个锐阈值，其中 $\alpha \in [1/4, 24]$。结果将极值与概率图论拓展至具有精确渐近界之Bootstrap渗滤过程。

ABSTRACT

Graph bootstrap percolation is a deterministic cellular automaton which was introduced by Bollobás in 1968, and is defined as follows. Given a graph $H$, and a set $G \subset E(K_n)$ of initially `infected' edges, we infect, at each time step, a new edge $e$ if there is a copy of $H$ in $K_n$ such that $e$ is the only not-yet infected edge of $H$. We say that $G$ percolates in the $H$-bootstrap process if eventually every edge of $K_n$ is infected. The extremal questions for this model, when $H$ is the complete graph $K_r$, were solved (independently) by Alon, Kalai and Frankl almost thirty years ago. In this paper we study the random questions, and determine the critical probability $p_c(n,K_r)$ for the $K_r$-process up to a poly-logarithmic factor. In the case $r = 4$ we prove a stronger result, and determine the threshold for $p_c(n,K_4)$.

研究动机与目标

• 确定在随机初始图 $G_{n,p}$ 中，$H$-Bootstrap渗滤在 $K_n$ 上的临界概率 $p_c(n, H)$，其中 $H = K_r$。
• 为 $K_r$-Bootstrap过程中的渗滤建立锐阈值，特别是针对 $r=4$ 的情形。
• 对 $r \geq 4$ 的情形，刻画 $p_c(n, K_r)$ 的渐近行为，误差范围为多对数因子。
• 研究 $H$-Bootstrap过程中渗滤阈值的锐利性，并对使得阈值为锐的图 $H$ 进行分类。

提出的方法

• 将适用于网格上 $r$-邻域Bootstrap渗滤的“临界小团”论证方法，适配应用于 $K_r$-Bootstrap过程。
• 通过取 $\log n$ 个独立 $G_{n,p}$ 图的并集，模拟通过共享一条边缺失的 $K_r$ 复制重叠而引发的感染团块增长。
• 采用一种合并过程：当两个重叠的 $2r$-团（或更大）共享两个顶点时即被合并，利用性质 $\langle K_r - e \rangle_{K_r} = K_{2r}$。
• 运用极值图论推导出渗滤所需边数的下界：$e(G) \geq \left(\frac{{r \choose 2} + 1}{r}\right)n - 1$。
• 应用马尔可夫不等式与切比雪夫不等式，控制拥有足够带悬垂边的 $K_r$-复制以触发团块增长的概率。
• 通过归纳法与闭包过程的结构分析，证明每一步团块大小最多增长 $e(H)$ 倍，从而控制渗滤时间。

实验结果

研究问题

• RQ1 对于 $K_r$-Bootstrap渗滤在 $K_n$ 上，临界概率 $p_c(n, K_r)$ 的渐近行为如何？
• RQ2 是否 $K_4$-Bootstrap渗滤过程表现出锐阈值？若然，该阈值中的常数因子是否可被确定？
• RQ3 对于哪些图 $H$，事件 $\langle G_{n,p} \rangle_H = K_n$ 具有锐阈值？
• RQ4 能否将临界概率 $p_c(n, K_r)$ 的界比多对数因子更紧密？
• RQ5 当 $H$ 为完全二部图 $K_{s,t}$ 或随机图 $G_{k,1/2}$ 时，$H$-Bootstrap渗滤的阈值行为如何？

主要发现

• 对于 $r \geq 4$，临界概率 $p_c(n, K_r)$ 被确定到多对数因子范围内，满足 $p_c(n, K_r) \asymp \left(\frac{\log n}{{n \choose 2}}\right)^{1/\binom{r}{2}}$。
• 对于 $r=4$，阈值为锐的，且满足 $p_c(n, K_4) = (1+o(1))\alpha / \sqrt{n\log n}$，其中 $\alpha \in [1/4, 24]$。
• $K_r$-渗滤所需的最少边数至少为 $\left(\frac{{r \choose 2} + 1}{r}\right)n - 1$，该结果源于极值闭包性质。
• 当 $n^r p^{{r \choose 2} + 1} \gg \log n$ 时，$\log n$ 个独立 $G_{n,p}$ 图的并集以高概率实现渗滤，从而支持迭代团块增长。
• 该过程在 $H = K_4$ 时表现出锐阈值，但在 $H = K_r + e$ 时为粗糙阈值，表明阈值行为对结构具有敏感性。
• 缺失一条边的 $K_r$-复制的闭包生成一个 $K_{2r}$，从而实现重叠团块的合并，并推动全局渗滤。