[论文解读] Bootstrap percolation in directed and inhomogeneous random graphs

Nils Detering, Thilo Meyer‐Brandis+1 more|arXiv (Cornell University)|Nov 25, 2015

Complex Network Analysis Techniques参考文献 20被引用 6

一句话总结

该论文提出了一种新型的有向异质随机图模型，引入了顶点特定的权重以分别表示入度和出度倾向，以及个体感染阈值，从而实现对复杂网络中bootstrap渗滤过程的分析。研究证明，感染顶点的比例收敛于一个涉及泊松分支过程的期望值，量化了具有重尾度分布和异质阈值的网络中的系统性风险。

ABSTRACT

Bootstrap percolation is a process that is used to model the spread of an infection on a given graph. In the model considered here each vertex is equipped with an individual threshold. As soon as the number of infected neighbors exceeds that threshold, the vertex gets infected as well and remains so forever. We perform a thorough analysis of bootstrap percolation on a novel model of directed and inhomogeneous random graphs, where the distribution of the edges is specified by assigning two distinct weights to each vertex, describing the tendency of it to receive edges from or to send edges to other vertices. Under the assumption that the limiting degree distribution of the graph is integrable we determine the typical fraction of infected vertices. Our model allows us to study a variety of settings, in particular the prominent case in which the degree distribution has an unbounded variance. Among other results, we quantify the notion of "systemic risk", that is, to what extent local adverse shocks can propagate to large parts of the graph through a cascade, and discover novel features that make graphs prone/resilient to initially small infections.

研究动机与目标

• 为反映金融和社交网络等现实世界网络复杂性的有向异质随机图建立并分析bootstrap渗滤模型。
• 通过引入顶点特定的入度和出度倾向以及个体感染阈值，克服现有模型的局限性。
• 通过确定在不同网络结构和阈值分布下感染顶点的典型比例，量化系统性风险。
• 将经典bootstrap渗滤推广至具有重尾度分布（包括2 < β < 3的幂律尾部）的网络。
• 利用分支过程近似和不动点方程，对大规模随机图中级联传播进行严格的渐近表征。

提出的方法

• 该模型为每个顶点 i 分配一个三元组 (w_i^-, w_i^+, c_i)，其中 w_i^- 和 w_i^+ 分别表示接收和发送边的倾向，c_i 为个体感染阈值。
• 边的形成具有概率性：P((i,j) ∈ E) = min{1, w_i^+ w_j^- / n}，确保稀疏且异质的连通性，且度分布可调。
• 假设极限度分布是可积的，从而收敛于具有混合变量 (W^-, W^+) 的二元混合泊松分布。
• 通过分支过程近似建模感染过程：当一个顶点的已感染入邻居数量超过其阈值 c_i 时，该顶点即被感染。
• 关键方程涉及 f(z; W^-, W^+, C) = 0 的不动点解 ẑ，其中 f(z; ·) 通过泊松近似捕捉已感染入邻居的期望数量。
• 最终感染顶点的比例被证明以概率收敛于 E[R ψ_C(W^- ẑ)]，其中 ψ_C(λ) = P(Poi(λ) ≥ C)，用于量化渐近级联规模。

实验结果

研究问题

• RQ1 异质的入度和出度如何影响有向随机图中感染的传播？
• RQ2 在具有重尾度分布的网络中，系统性级联的临界阈值由什么决定？
• RQ3 局部冲击在多大程度上能通过网络传播？其传播程度如何依赖于顶点特定的阈值和连通性模式？
• RQ4 与具有统一阈值的经典模型相比，引入个体感染阈值如何改变bootstrap渗滤的行为？
• RQ5 在大规模异质随机图中，何种条件可确保感染顶点比例收敛于非平凡极限？

主要发现

• 极限感染顶点比例以概率收敛于 E[R ψ_C(W^- ẑ)]，其中 ẑ 是 f(z; W^-, W^+, C) = 0 的最小正解。
• 当在 ẑ 附近满足条件 E[W^+ W^- P(Poi(z W^-) = C - 1) 1_{C ≥ 1}] < 1 时，收敛是精确的，且极限严格为正。
• 若对足够小的 z > 0 有 E[W^+ ψ_C(z W^-)] > z，则最终感染比例以高概率远离零。
• 即使阈值 C 为随机变量且 P(C = 0) > 0，感染比例仍以高概率有下界，即 E[R ψ_C(W^- ẑ)] - ε（对任意 ε > 0）。
• 相关性因子 R（代表损失或影响）不影响感染过程，但会缩放最终损失，其期望值决定了渐近损失的相关性。
• 该模型可捕捉度分布具有无界方差的网络，如 2 < β < 3 的幂律网络，这类网络在金融和社交网络等真实系统中普遍存在。