[论文解读] Cliques in High-Dimensional Geometric Inhomogeneous Random Graphs

Tobias Friedrich, Andreas Göbel+2 more|arXiv (Cornell University)|Jan 1, 2023

Complex Network Analysis Techniques参考文献 36被引用 2

一句话总结

本文研究维度如何影响几何非齐次随机图（GIRGs），证明随着维度增加，GIRGs收敛至非几何非齐次随机图。关键结果为边概率渐近独立，团结构趋于稳定，并在维度增加时识别出团数和期望团数的相变。

ABSTRACT

A recent trend in the context of graph theory is to bring theoretical analyses closer to empirical observations, by focusing the studies on random graph models that are used to represent practical instances. There, it was observed that geometric inhomogeneous random graphs (GIRGs) yield good representations of complex real-world networks, by expressing edge probabilities as a function that depends on (heterogeneous) vertex weights and distances in some underlying geometric space that the vertices are distributed in. While most of the parameters of the model are understood well, it was unclear how the dimensionality of the ground space affects the structure of the graphs. In this paper, we complement existing research into the dimension of geometric random graph models and the ongoing study of determining the dimensionality of real-world networks, by studying how the structure of GIRGs changes as the number of dimensions increases. We prove that, in the limit, GIRGs approach non-geometric inhomogeneous random graphs and present insights on how quickly the decay of the geometry impacts important graph structures. In particular, we study the expected number of cliques of a given size as well as the clique number and characterize phase transitions at which their behavior changes fundamentally. Finally, our insights help in better understanding previous results about the impact of the dimensionality on geometric random graphs.

研究动机与目标

• 理解在几何非齐次随机图（GIRGs）中维度增加如何影响其结构特性，特别是团的形成。
• 解决关于高维GIRGs是否趋近于非几何模型的开放问题，特别是在边依赖性和聚类方面。
• 表征维度增加时期望团数和团数的相变。
• 比较不同几何范数（L2与L∞）和基底空间（环面与超立方体）下的收敛行为。

提出的方法

• 使用顶点权重和d维几何空间中的位置建模GIRGs，边概率随距离增加而减小，随权重乘积增加而增大。
• 应用多变量中心极限定理分析高维中独立距离分量的和，表明其收敛至正态分布。
• 通过协方差分析表明，在环面模型中（距离在各维度上独立同分布），边依赖性消失，导致渐近独立。
• 对于超立方体，考虑各维度间距离分量的非零协方差，通过具有单位协方差的变换随机向量调整极限。
• 对边集使用容斥原理计算Pr[GGIRG = H]，并证明当d → ∞时收敛至GIRG的概率。
• 建立对于任意固定图H，GGIRG中采样H的概率在L2与L∞范数下均收敛至GIRG中的概率。

实验结果

研究问题

• RQ1 维度增加如何影响GIRGs的几何结构和边依赖性？
• RQ2 几何结构在何时变得渐近可忽略，导致收敛至非几何模型？
• RQ3 随着维度增加，期望团数和团数如何变化，是否存在相变？
• RQ4 收敛至非几何行为是否依赖于范数选择（L2与L∞）或基底空间选择（环面与超立方体）？
• RQ5 为何环面中的RGG在高维下收敛至Erdős–Rényi图，而超立方体中的RGG却不收敛，尽管距离构造相似？

主要发现

• 当d → ∞时，环面中的GIRGs收敛至非几何非齐次随机图，边概率渐近独立。
• 固定大小团的期望数量收敛至非几何GIRG模型所预测的值，表明几何影响消失。
• 高维GIRGs的团数收敛至对应非几何GIRG的团数，且在临界维度处发生相变。
• 在超立方体中，由于距离分量间存在非零协方差，边依赖性持续存在，因此收敛至具有相关边的非i.i.d.极限模型。
• 对于L∞-范数，本文通过容斥原理和边集概率界证明了Pr[GGIRG = H] → Pr[GIRG = H]（当d → ∞时），甚至无需使用中心极限定理。
• L2范数的收敛速度为O(d⁻¹ ln n)，表明几何影响随维度呈多项式衰减；而L∞情形显示对所有图H均一致收敛。