[论文解读] A study of the edge-switching Markov-chain method for the generation of random graphs

Alexandre O. Stauffer, Valmir C. Barbosa|arXiv (Cornell University)|Dec 29, 2005

Complex Network Analysis Techniques参考文献 24被引用 15

一句话总结

本文研究了用于生成具有给定度序列的连通随机图并确保均匀采样的边切换马尔可夫链（ESMC）方法。提出了一种新颖的自适应启发式方法来调节边切换参数 $ w $，在较弱条件下证明了其收敛到均匀分布，并在大量实验中展示了其在幂律度序列上的性能优于现有启发式方法。

ABSTRACT

We study the problem of generating connected random graphs with no self-loops or multiple edges and that, in addition, have a given degree sequence. The generation method we focus on is the edge-switching Markov-chain method, whose functioning depends on a parameter w related to the method's core operation of an edge switch. We analyze two existing heuristics for adjusting w during the generation of a graph and show that they result in a Markov chain whose stationary distribution is uniform, thus ensuring that generation occurs uniformly at random. We also introduce a novel w-adjusting heuristic which, even though it does not always lead to a Markov chain, is still guaranteed to converge to the uniform distribution under relatively mild conditions. We report on extensive computer experiments comparing the three heuristics' performance at generating random graphs whose node degrees are distributed as power laws.

研究动机与目标

• 为解决以均匀随机方式生成具有指定度序列的连通随机图的挑战。
• 分析在不同 $ w $ 参数调节策略下，边切换马尔可夫链（ESMC）方法的收敛性与均匀性。
• 提出并评估一种新型启发式方法，用于动态调节 $ w $（即在连通性检查之间执行的边切换次数），以提升效率与收敛速度。
• 在不同停止准则下，比较三种 $ w $-调节启发式方法（两种现有方法与一种新方法）在幂律度序列上的性能表现。
• 通过在初始收敛后重用马尔可夫链，实现高效生成多个具有相同度序列的独立随机图。

提出的方法

• ESMC 方法通过执行保持度序列不变但通过周期性连通性检测维持连通性的随机边切换来生成图。
• 参数 $ w $ 控制连续连通性检测之间尝试的边切换次数；其取值对性能与收敛性具有关键影响。
• 本文分析了两种现有的 $ w $-调节启发式方法，并证明其可生成具有均匀平稳分布的马尔可夫链。
• 提出一种新型启发式方法，通过一种新型高效的连通性检测方法估算切换后保持连通性的概率，该检测方法具有类似深度优先搜索的时间复杂度。
• 该方法采用一种实用的停止条件，基于每次转移后计算图函数（如聚类系数、平均距离）的收敛性。
• 通过确保在受限图空间内的链的不可约性，该方法可扩展用于生成具有额外属性（如有界聚类系数）的图。

实验结果

研究问题

• RQ1 固定 $ w $ 的边切换马尔可夫链是否能在给定度序列的连通图上产生均匀分布？
• RQ2 自适应 $ w $-调节启发式方法是否能保持马尔可夫链的均匀平稳分布？
• RQ3 在幂律度序列上，所提出的新型 $ w $-调节启发式方法在收敛速度与运行时间方面相较于现有启发式方法表现如何？
• RQ4 不同的停止准则（聚类系数 vs. 平均距离）对采样过程的效率与准确性有何影响？
• RQ5 ESMC 方法是否能通过在初始收敛后重用马尔可夫链，高效地生成多个具有相同度序列的独立随机图？

主要发现

• 两种现有 $ w $-调节启发式方法均能生成具有均匀平稳分布的马尔可夫链，确保了正确的均匀采样。
• 所提出的新型启发式方法虽不总是形成马尔可夫链，但在较弱条件下仍能收敛到均匀分布，提供了一种实用的替代方案。
• 在 $ 2 \leq \tau \leq 3 $ 的幂律度序列上，新启发式方法在收敛速度与运行时间方面均优于两种现有启发式方法。
• 运行时间显著受停止准则影响：使用平均距离作为收敛度量会因计算成本较高而增加时间复杂度，但若忽略成对剪枝操作，其影响较小。
• 通过在初始收敛后重用马尔可夫链，该方法可高效生成多个具有相同度序列的随机图，避免了重复计算。
• 启发式方法中使用的新型连通性检测方法具有与深度优先搜索相同的时空复杂度，适用于实时应用。