[论文解读] On the robustness of power-law random graphs in the finite mean, infinite variance region

Ilkka Norros, Hannu Reittu|ArXiv.org|Jan 7, 2008

Complex Network Analysis Techniques参考文献 9被引用 6

一句话总结

本文研究了具有有限均值和无限方差度分布的幂律随机图的鲁棒性，表明即使在移除高容量节点（即“核心”）后，顶点之间的典型距离在 log log N 上仍保持渐近对数尺度，路径长度仅增加一个常数。结果表明，由于剩余网络中存在备用路径，网络具有结构鲁棒性，超小世界特性得以保持。

ABSTRACT

We consider a conditionally Poissonian random graph model where the mean degrees, `capacities', follow a power-tailed distribution with finite mean and infinite variance. Such a graph of size $N$ has a giant component which is super-small in the sense that the typical distance between vertices is of the order of $\log\log N$. The shortest paths travel through a core consisting of nodes with high mean degrees. In this paper we derive upper bounds of the typical distance when an upper part of the core is removed, including the case that the whole core is removed.

研究动机与目标

• 研究具有有限均值和无限方差度分布的幂律随机图在高阶度节点被移除时的鲁棒性。
• 确定当核心网络——由高容量节点组成——被部分或完全移除时，直径和典型路径长度的缩放方式。
• 在条件泊松随机图模型下，建立核心删除后图中距离的上界。
• 证明即使在核心被移除后，超小世界特性（距离的 log log N 缩放）依然保持，这是由于存在备用路径。

提出的方法

• 使用条件泊松随机图模型，其中顶点容量服从尾指数 τ ∈ (2,3) 的帕累托分布，确保有限均值和无限方差。
• 通过邻域探索与带标记分支过程之间的耦合，分析邻域增长和路径形成。
• 通过容量阈值 N^γ 定义分层核心结构，其中 γ > 0 为固定值，并研究移除高于该阈值节点的影响。
• 利用指数尾部估计和几何级数近似，对通过剩余网络的路径存活概率建立概率界。
• 使用经典随机图理论的结果，分析剩余节点诱导子图的直径。
• 通过将路径分解为跨容量层的段，并利用对数缩放界定层数，推导出距离的渐近上界。

实验结果

研究问题

• RQ1 当具有最高容量的节点（即核心）从具有有限均值和无限方差度分布的幂律随机图中被移除时，两个随机顶点之间的典型距离会发生什么变化？
• RQ2 在核心网络被移除后，超小世界特性（距离的 log log N 缩放）是否仍能保持？
• RQ3 剩余网络中备用路径如何影响核心删除后距离的渐近缩放？
• RQ4 当整个核心被移除时，图的渐近直径是多少？与具有有限方差度的图相比有何差异？
• RQ5 这些结果在多大程度上可推广到其他随机图模型，如配置模型或 preferential attachment 模型？

主要发现

• 对于固定的 γ > 0，移除容量高于 N^γ 的节点，顶点间典型距离最多增加一个依赖于 γ 但不依赖于 N 的常数，从而保持 log log N 缩放。
• 即使整个核心被移除，剩余图的直径仍略好于 log N，具体为 log N / ℓ(N)，其中 ℓ(N) 是一个缓慢增长的函数。
• 在任何高容量节点被删除后，巨大连通分量在渐近意义上仍保持完整，维持相同的相对大小。
• 通过低容量节点存在的备用路径确保了在 log log N 尺度上距离的增加可忽略不计。
• 结果对模型变化具有鲁棒性，且推测在相同参数范围内可推广至配置模型和 preferential attachment 模型。
• 通过容量层定义的核心分层结构，使得通过逐层递归分析可推导出路径长度的紧致上界。