[论文解读] Hitting and commute times in large graphs are often misleading

Ulrike von Luxburg, Agnes Radl+1 more|arXiv (Cornell University)|Mar 5, 2010

Advanced Graph Theory Research参考文献 52被引用 29

一句话总结

该论文表明，在大型随机图中——尤其是随机几何图和具有给定期望度的图——首达时间和 commute 时间会收敛到仅依赖于顶点度数的简单函数，因此它们无法有效捕捉图的全局结构。随着图规模增大，commute 距离近似为 $1/d_u + 1/d_v$，退化为对聚类或拓扑结构不敏感的局部度量。

ABSTRACT

Next to the shortest path distance, the second most popular distance function between vertices in a graph is the commute distance (resistance distance). For two vertices u and v, the hitting time H_{uv} is the expected time it takes a random walk to travel from u to v. The commute time is its symmetrized version C_{uv} = H_{uv} + H_{vu}. In our paper we study the behavior of hitting times and commute distances when the number n of vertices in the graph is very large. We prove that as n converges to infinty, hitting times and commute distances converge to expressions that do not take into account the global structure of the graph at all. Namely, the hitting time H_{uv} converges to 1/d_v and the commute time to 1/d_u + 1/d_v where d_u and d_v denote the degrees of vertices u and v. In these cases, the hitting and commute times are misleading in the sense that they do not provide information about the structure of the graph. We focus on two major classes of random graphs: random geometric graphs (k-nearest neighbor graphs, epsilon-graphs, Gaussian similarity graphs) and random graphs with given expected degrees (in particular, Erdos-Renyi graphs with and without planted partitions)

研究动机与目标

• 研究大型图中首达时间和 commute 时间的渐近行为。
• 挑战广泛持有的观点，即 commute 距离能有效编码图中的聚类结构。
• 证明在大型图中，commute 时间和首达时间对图的全局拓扑结构变得不敏感。
• 建立这些距离收敛到仅依赖于顶点度数的表达式，而不依赖于连通性或社区结构。

提出的方法

• 使用电网络理论和图上的随机游走动力学分析首达时间和 commute 时间。
• 在电网络上应用基于流的论证，推导出首达时间的紧致界。
• 利用谱图论将结果推广至多种随机图模型。
• 证明 k-最近邻半径在随机几何图中的集中不等式，以控制度数的波动。
• 证明在大型图中，kNN 半径以高概率集中在 $r \sim (k/n)^{1/d}$ 附近，从而导致度数集中。
• 推导渐近近似式：当图规模增大时，$H_{uv} \approx 1/d_v$ 且 $C_{uv} \approx 1/d_u + 1/d_v$。

实验结果

研究问题

• RQ1 当顶点数趋于无穷时，首达时间和 commute 时间在大型随机图中的行为如何？
• RQ2 commute 距离在多大程度上能反映大型图中的全局图结构，如聚类或社区划分？
• RQ3 在何种条件下，commute 距离会收敛到仅依赖于顶点度数的函数？
• RQ4 为何流行的图距离度量（如 commute 距离）在大规模网络中无法捕捉结构特性？

主要发现

• 在大型图中，首达时间 $H_{uv}$ 随着 $n \to \infty$ 收敛到 $1/d_v$，且与图的全局结构无关。
• commute 时间 $C_{uv}$ 渐近趋近于 $1/d_u + 1/d_v$，仅依赖于两个顶点的度数。
• 对于随机几何图（kNN 图、ε-图、高斯相似性图），当 $n \to \infty$ 时，该近似以高概率成立。
• 在具有给定期望度的随机图（包括 Erdős–Rényi 图和植株分区模型）中，当最小度随 $n$ 增大时，同样发生该收敛。
• 在随机几何图中，谱间隙以高概率远离零，支持上述收敛结果。
• 因此，commute 距离在聚类任务中变得无效，因为具有相似度数的顶点在距离上表现得完全相同，而与实际连通性无关。