[论文解读] Bipartite and neighborhood graphs and the spectrum of the normalized graph Laplacian

Frank Bauer, Jürgen Jost|arXiv (Cornell University)|Oct 16, 2009

Graph theory and applications参考文献 22被引用 14

一句话总结

本文引入了一个双重Cheeger型常数，并通过邻域图分析，推导出归一化图拉普拉斯矩阵最大特征值的更紧致界，该特征值控制图与二分图的接近程度。研究基于邻域图Γ[l]建立了谱估计，改进了经典的Cheeger不等式，并实现了对随机游走收敛性和耦合映射格栅同步性的显式边界。

ABSTRACT

We study the spectrum of the normalized Laplace operator of a connected graph $Γ$. As is well known, the smallest nontrivial eigenvalue measures how difficult it is to decompose $Γ$ into two large pieces, whereas the largest eigenvalue controls how close $Γ$ is to being bipartite. The smallest eigenvalue can be controlled by the Cheeger constant, and we establish a dual construction that controls the largest eigenvalue. Moreover, we find that the neighborhood graphs $Γ[l]$ of order $l\geq2$ encode important spectral information about $Γ$ itself which we systematically explore. In particular, the neighborhood graph method leads to new estimates for the smallest nontrivial eigenvalue that can improve the Cheeger inequality, as well as an explicit estimate for the largest eigenvalue from above and below. As applications of such spectral estimates, we provide a criterion for the synchronizability of coupled map lattices, and an estimate for the convergence rate of random walks on graphs.

研究动机与目标

• 控制归一化图拉普拉斯矩阵的最大特征值，该特征值衡量图与二分图的接近程度。
• 提出Cheeger常数的对偶构造，以提供最大特征值的上下界，补充经典Cheeger不等式。
• 探讨当l ≥ 2时，邻域图Γ[l]如何编码原始图Γ的谱信息。
• 推导最小非平凡特征值的改进估计，以及最大特征值的显式上下界。
• 将谱估计应用于分析随机游走的收敛速率和耦合映射格栅的同步条件。

提出的方法

• 引入双重Cheeger常数$\overline{h}$，以从上下两方面界定最大特征值$\lambda_{\text{max}}$。
• 定义邻域图$\Gamma[l]$（$l \geq 2$），其中若两顶点在$\Gamma$中至少有一个共同邻居，则在$\Gamma[l]$中相连，边权为$w_{ij}[2] = \sum_k \frac{1}{d_k} w_{ik} w_{kj}$。
• 建立谱关系$\lambda(\Gamma[l]) = \lambda(\Gamma)(2 - \lambda(\Gamma))$，即在邻域图变换下特征值的映射关系。
• 利用邻域图方法，推导出随机游走转移算子谱半径的显式边界。
• 通过将比值$\lambda_{N-1}/\lambda_1$与同步稳定性关联，应用至耦合映射格栅模型（88）中，依据定理10.1进行分析。
• 针对偶数和奇数$l$，分别利用$h[l]$和$\overline{h}[l]$推导收敛速率的显式估计。

实验结果

研究问题

• RQ1 如何基于图的结构特性，从上下两方面界定归一化拉普拉斯矩阵最大特征值？
• RQ2 邻域图$\Gamma[l]$在编码原始图$\Gamma$的谱信息方面起什么作用？
• RQ3 能否通过基于邻域图的谱估计改进经典Cheeger不等式？
• RQ4 双重Cheeger常数$h$与$\overline{h}$如何共同刻画图的谱行为？
• RQ5 这些谱估计对随机游走收敛速率和耦合映射格栅同步性有何影响？

主要发现

• 归一化拉普拉斯矩阵的最大特征值$\lambda_{N-1}$满足不等式$\frac{\overline{h}}{h} \leq \frac{\lambda_{N-1}}{\lambda_1} \leq \frac{\min\left[\min_{l \text{ even}} 1 + (1 - h[l]^2)^{1/(2l)}, \min_{l \text{ odd}} 1 + (1 - (1 - \overline{h}[l])^2)^{1/(2l)} \right]}{\max_l \left(1 - (1 - h[l]^2)^{1/(2l)} \right)}$，从而对比值$\lambda_{N-1}/\lambda_1$提供了显式边界。
• 对于任意偶数$l$，转移算子的谱半径满足$\rho \leq (1 - h^2[l])^{1/(2l)}$，由此导出收敛边界$\|P^t f - \overline{f}\| \leq (1 - h^2[l])^{t/(2l)} \|f\|$。
• $\Gamma[2]$的特征值为$\lambda(2 - \lambda)$，其中$\lambda$为$\Gamma$的特征值，从而可通过邻域图实现谱控制。
• 邻域图方法在某些情况下可提供比经典Cheeger不等式更优的最小非平凡特征值估计。
• 双重Cheeger常数$\overline{h}$为最大特征值提供了几何解释，类似于$h$对第一非平凡特征值的控制作用。
• 推论10.1表明，当$\lambda_{N-1}/\lambda_1 < (e^{\mu(f)} + 1)/(e^{\mu(f)} - 1)$且$\mu(f) > 0$时，耦合映射格栅可实现同步，其边界由$h[l]$和$\overline{h}[l]$导出。