[论文解读] Centrality measures for graphons

Marco Avella-Medina, Francesca Parise+2 more|arXiv (Cornell University)|Jul 28, 2017

Complex Network Analysis Techniques参考文献 68被引用 5

一句话总结

本文通过线性积分算子，为图子（graphons）——大规模随机图的极限对象——引入了度数、特征向量和Katz中心性的形式化定义。研究证明，这些中心性函数是有限图上相应度量的自然极限，为大规模网络系统中识别关键节点提供了连续且可分析的框架。

ABSTRACT

Graphs provide a natural mathematical abstraction for systems with pairwise interactions, and thus have become a prevalent tool for the representation of systems across various scientific domains. However, as the size of relational datasets continues to grow, traditional graph-based approaches are increasingly replaced by other modeling paradigms, which enable a more flexible treatment of such datasets. A promising framework in this context is provided by graphons, which have been formally introduced as the natural limiting objects for graphs of increasing sizes. However, while the theory of graphons is already well developed, some prominent tools in network analysis still have no counterpart within the realm of graphons. In particular, node centrality measures, which have been successfully employed in various applications to reveal important nodes in a network, have so far not been defined for graphons. In this work we introduce formal definitions of centrality measures for graphons and establish their connections to centrality measures defined on finite graphs. In particular, we build on the theory of linear integral operators to define degree, eigenvector, and Katz centrality functions for graphons. We further establish concentration inequalities showing that these centrality functions are natural limits of their analogous counterparts defined on sequences of random graphs of increasing size. We discuss several strategies for computing these centrality measures, and illustrate them through a set of numerical examples.

研究动机与目标

• 将经典节点中心性度量——度数、特征向量中心性和Katz中心性——从有限图推广到图子的连续设定中。
• 在图极限理论的背景下形式化中心性，填补图子在网络分析中应用中的关键空白。
• 建立有限图中的中心性与其图子极限之间的理论联系，确保跨尺度的一致性。
• 通过数值积分和近似技术，为在图子上估计中心性函数提供可计算的框架。

提出的方法

• 通过作用于单位区间上函数的线性积分算子，基于图子的核表示，为图子定义中心性。
• 将度数中心性表述为图子核在单个变量上的积分，得到[0,1]上的连续函数。
• 将特征向量中心性定义为由图子诱导的积分算子的特征值问题的解。
• 通过解析算子的Neumann级数展开，定义Katz中心性，确保在适当的谱条件下收敛。
• 证明浓度不等式，表明图子上的中心性函数是密集随机图序列中对应中心性度量的几乎必然极限。
• 提出基于求积规则和低秩近似的数值计算策略，以实现对观测图子实例的实用评估。

实验结果

研究问题

• RQ1 如何一致地为图子定义度数中心性，它与有限图中的度数中心性有何关系？
• RQ2 能否使用泛函分析工具将特征向量中心性从有限图推广到图子框架？
• RQ3 随着网络规模增大，对密集随机图序列计算的中心性度量的极限行为是什么？
• RQ4 如何将Katz中心性推广到图子上，且在何种条件下可保证其收敛性和稳定性？
• RQ5 图子上的中心性函数在多大程度上能准确近似大规模有限网络中的中心性？

主要发现

• 图子的度数中心性被定义为图子核在单个变量上的积分，产生[0,1]上的连续函数，推广了有限图中节点度数的概念。
• 图子的特征向量中心性被表征为与图子相关联的积分算子的主导特征函数，扩展了有限图中的谱解释。
• 图子的Katz中心性表示为涉及积分算子幂次的收敛Neumann级数，当谱半径小于衰减参数倒数时，收敛性得以保证。
• 本文证明，图子上的中心性函数是密集图序列中有限图对应中心性度量的几乎必然极限，建立了理论一致性。
• 数值实验表明，基于图子的中心性度量能准确近似大规模有限网络中的中心性，尤其当图序列密集且收敛于已知图子时效果更佳。
• 所提出的计算策略，包括低秩近似和求积方法，可高效估计观测图子实例上的中心性函数。