[论文解读] An Algorithm Generating Scale Free Graphs

Dimitri Volchenkov, Ph. Blanchard|arXiv (Cornell University)|Apr 5, 2002

Complex Network Analysis Techniques参考文献 6被引用 7

一句话总结

该论文提出了一种基于阈值的新型随机图生成算法，通过调节控制参数 η，可实现从指数分布到幂律度分布的过渡，从而生成无标度网络。与优先连接不同，该方法动态调整稳定性阈值，可对幂律指数 γ ∈ (1, ∞) 实现解析控制，且在 η = 1 时对均匀分布和幂律分布的阈值分布可获得精确解。

ABSTRACT

We propose a simple random process inducing various types of random graphs and the scale free random graphs among others. The model is of a threshold nature and differs from the preferential attachment approach discussed in the literature before. The degree statistics of a random graph in our model is governed by the control parameter $η$ stirring the pure exponential statistics for the degree distribution (at $η=0,$ when a threshold is changed each time a new edge added to the graph) to a power law (at $η=1$, when the threshold is frozen). The exponent $γ$ characterizing the power law can vary in the wide range $γ\in(1,\infty)$ and can be tuned in different values $γ_{\mathrm{in}}$ and $γ_{\mathrm{out}}$ for in-degrees and out-degrees probability distributions independently. For the intermediate values of $η$, the decay rate is mixed. Taking different statistics for the threshold changes, one obtains dissimilar asymptotic profiles for the degree distribution having, in general, nothing to do with power laws at $η=1$, but still uniformly exponential at $η=0.$

研究动机与目标

• 开发一种新型机制以生成无标度随机图，避免优先连接方法的局限性。
• 研究基于阈值的动态过程如何生成具有可调指数的幂律度分布。
• 提供一种解析可处理的模型，其适用范围超越幂律度统计，包括混合分布和指数衰减情形。
• 探讨阈值动态在塑造网络拓扑结构中的作用，特别是在具有独立入度和出度分布的有向网络中。

提出的方法

• 该模型采用一种随机过程：边被依次添加到某个顶点，直到动态更新的阈值被超过，此时触发重置至新顶点。
• 控制参数 η 决定阈值的敏感度：η = 0 表示每次添加边后即更新阈值（对应指数度分布），η = 1 表示阈值冻结（对应幂律度分布）。
• 利用生成函数和拉普拉斯变换推导度分布 P(k)，并对均匀分布和幂律分布的阈值分布获得精确解。
• 当 η = 1 时，度分布渐近满足 P(k) ∝ 1/((k+1)(k+2)) ≈ k⁻²，对应幂律指数 γ = 2。
• 通过分别对入边和出边应用不同的阈值动态，可独立调节入度指数 γ_in 和出度指数 γ_out。
• 采用解析反演公式推导所有 η 值下的 P(k)，表达式涉及组合系数 c(m,l) 和 b(m,l) 的求和，适用于有限 η 值。

实验结果

研究问题

• RQ1 基于阈值的随机过程能否生成具有解析可处理性的幂律度分布的无标度网络？
• RQ2 控制参数 η 如何影响随机图中从指数度统计到幂律度统计的过渡？
• RQ3 该模型中可实现的幂律指数 γ 的范围是什么？其与阈值分布的关系如何？
• RQ4 该模型能否独立生成不同的入度和出度指数，如网络和引文网络等真实世界网络中所观察到的那样？
• RQ5 中间 η 值下度分布的渐近行为如何？交叉尺度 k_c(η) 如何随 η 变化？

主要发现

• 当 η = 1 时，度分布满足 P(k) = 1/((k+1)(k+2))，其渐近衰减为 k⁻²，对应幂律指数 γ = 2。
• 通过调节阈值分布 g(u) ∝ (1−u)^β（其中 β > −1），可将幂律指数 γ 调节至 (1, ∞) 的广泛范围。
• 当 η ≠ 1 时，度分布表现出混合衰减特征：小 k 值时为指数衰减，大 k 值时呈幂律样衰减，交叉尺度 k_c(η) ∼ 1/ln(s₀) 随 η → 1 而发散。
• 该模型对所有 η 值均可获得 P(k) 的解析可解表达式，包括涉及组合系数 c(m,l) 和 b(m,l) 求和的精确公式。
• 该模型超越了幂律行为：当 η = 1 时，非幂律阈值分布仍可在 η = 0 时产生指数度统计，但可在 η = 1 时产生非幂律渐近行为。
• 通过分别对入边和出边应用不同的阈值动态，该模型可独立控制入度指数 γ_in 和出度指数 γ_out。