[论文解读] Characteristic Length and Clustering

Oliver Knill|arXiv (Cornell University)|Oct 13, 2014

Topological and Geometric Data Analysis参考文献 29被引用 6

一句话总结

本文通过将局部聚类系数 $ C(x) $ 表示为单位球 $ S(x) $ 在单位球内 $ B(x) $ 的相对特征长度 $ L(x) = 2 - C(x) $，提出了一种有限简单图中局部聚类的新型几何解释，将局部聚类与度量性质联系起来。主要贡献在于发现统计关系 $ \mu \sim \log(1/\nu) $，其中 $ \mu $ 为特征长度，$ \nu $ 为平均聚类系数，且比值 $ \lambda = \mu / \log(1/\nu) $ 在图极限中收敛，表明聚类、曲率与网络维度之间存在深层联系。

ABSTRACT

We explore relations between various variational problems for graphs like Euler characteristic chi(G), characteristic length mu(G), mean clustering nu(G), inductive dimension iota(G), edge density epsilon(G), scale measure sigma(G), Hilbert action eta(G) and spectral complexity xi(G). A new insight in this note is that the local cluster coefficient C(x) in a finite simple graph can be written as a relative characteristic length L(x) of the unit sphere S(x) within the unit ball B(x) of a vertex. This relation L(x) = 2-C(x) will allow to study clustering in more general metric spaces like Riemannian manifolds or fractals. If eta is the average of scalar curvature s(x), a formula mu ~ 1+log(epsilon)/log(eta) of Newman, Watts and Strogatz relates mu with the edge density epsilon and average scalar curvature eta telling that large curvature correlates with small characteristic length. Experiments show that the statistical relation mu ~ log(1/nu) holds for random or deterministic constructed networks, indicating that small clustering is often associated to large characteristic lengths and lambda=mu/log(nu) can converge in some graph limits of networks. Mean clustering nu, edge density epsilon and curvature average eta therefore can relate with characteristic length mu on a statistical level. We also discovered experimentally that inductive dimension iota and cluster-length ratio lambda correlate strongly on Erdos-Renyi probability spaces.

研究动机与目标

• 建立有限简单图中局部聚类与度量结构之间的几何联系。
• 探索特征长度 $ \mu $、平均聚类 $ \nu $ 与曲率相关泛函之间的统计关系。
• 研究比值 $ \lambda = \mu / \log(1/\nu) $ 是否在图极限中收敛，以揭示普遍缩放行为。
• 通过球面上的条件概率测度，将聚类概念推广至一般度量空间。
• 研究 $ \mu $、$ \nu $ 与归纳维数 $ \iota $ 之间的变分关系，特别是在 Erdős–Rényi 随机图中的表现。

提出的方法

• 将局部聚类系数 $ C(x) $ 定义为单位球 $ S(x) $ 中的边密度，并表示为 $ C(x) = 2 - L(x) $，其中 $ L(x) $ 为 $ S(x) $ 在 $ B(x) $ 内的相对特征长度。
• 使用 Newman-Watts-Strogatz 公式 $ \mu \sim 1 + \log(\epsilon)/\log(\eta) $，将特征长度 $ \mu $ 与边密度 $ \epsilon $ 及平均标量曲率 $ \eta $ 关联。
• 定义长度-聚类比值 $ \lambda = \mu / \log(1/\nu) $，并研究其在图极限中的收敛性，特别是在 Erdős–Rényi 网络中的表现。
• 应用归纳维数 $ \iota(G) $ 的概念，并与 $ \lambda $ 进行比较，发现在随机图空间中存在强烈的实验相关性。
• 利用概率与几何推理，通过 Cayley 图中的词关系与碰撞建模网络增长，将 $ \mu \sim \log(n) $ 与 $ \nu \sim 1/n $ 关联。
• 通过 $ \log(2^{\iota(x)-1} \delta / \delta_2) $ 定义广义标量曲率，比较半径为 1 和 2 时的球体积，将曲率概念推广至度量测度空间。

实验结果

研究问题

• RQ1 局部聚类系数 $ C(x) $ 是否可表示为单位球在单位球内相对于特征长度 $ L(x) $ 的相对长度？
• RQ2 比值 $ \lambda = \mu / \log(1/\nu) $ 是否在大随机图的极限中收敛，表明存在普遍缩放律？
• RQ3 在 Erdős–Rényi 随机图中，特征长度 $ \mu $、平均聚类 $ \nu $ 与归纳维数 $ \iota $ 之间的相关性如何？
• RQ4 能否通过球面上的条件概率测度，将聚类概念推广至任意度量测度空间？
• RQ5 在同伦约束下，是否存在最小化特征长度 $ \mu $ 与最小化欧拉示性数 $ \chi $ 之间的变分关系？

主要发现

• 局部聚类系数 $ C(x) $ 满足 $ C(x) = 2 - L(x) $，其中 $ L(x) $ 为单位球 $ S(x) $ 内点之间平均距离的相对特征长度，建立了直接的几何解释。
• 实验表明 $ \mu \sim \log(1/\nu) $ 在随机与确定性网络中具有统计成立性，表明低聚类与长特征长度相关。
• 比值 $ \lambda = \mu / \log(1/\nu) $ 在 Erdős–Rényi 随机图的极限中收敛，提示聚类与路径长度之间存在普遍缩放关系。
• 在 Erdős–Rényi 概率空间中，长度-聚类比值 $ \lambda $ 与归纳维数 $ \iota $ 之间观察到强烈的经验相关性。
• 对于由多项式映射定义的轨道网络，三角形数量有界，导致 $ \nu(G) \leq C/n $，且 $ \log(\nu(G)) \leq \log(C) - \log(n) $，在低碰撞假设下支持 $ \mu \sim \log(n) $ 的缩放关系。
• 本文提出最小化 $ \mu $ 可能与最小化欧拉示性数 $ \chi $ 相关，因二者均与标量曲率及 Hilbert 作用量相关，但此结论在小图之外尚未得到证明。