[论文解读] Component sizes of the random graph outside the scaling window

Asaf Nachmias, Yuval Peres|ArXiv.org|Oct 16, 2006

Stochastic processes and statistical mechanics参考文献 14被引用 33

一句话总结

本文为 Erdős-Rényi 随机图 $G(n,p)$ 在临界尺度窗口之外的极大分量及其他分量的渐近大小提供了简单而稳健的证明，其中 $p = \frac{1 \pm \epsilon(n)}{n}$ 且 $\epsilon(n)n^{1/3} \to \infty$。在超临界相（$p = \frac{1+\epsilon(n)}{n}$）中，极大分量的大小以高概率集中在 $2n\epsilon(n)$ 附近，而较小分量的大小为 $2\epsilon(n)^{-2}\log(n\epsilon(n)^3)$ 量级，方法基于探索过程与鞅集中性论证。

ABSTRACT

We provide simple proofs describing the behavior of the largest component of the Erdos-Renyi random graph G(n,p) outside of the scaling window, p={1+\eps(n) \over n} where \eps(n) tends to 0, but \eps(n)n^{1/3} tends to \infty.

研究动机与目标

• 为 $G(n,p)$ 在临界尺度窗口之外的分量大小行为提供初等且自包含的证明，避免使用复杂的枚举组合数学。
• 在 $\epsilon(n)n^{1/3} \to \infty$ 条件下，建立超临界区域（$p = \frac{1+\epsilon(n)}{n}$）中极大分量大小的集中性。
• 将该方法的稳健性扩展至其他模型，例如随机正则图上的临界渗滤，传统枚举技术在此类模型中失效。
• 证明在非临界区域中，分量大小以高概率紧密集中在明确的渐近表达式附近。

提出的方法

• 作者使用一种顶点探索过程，追踪活跃、已探索和中性顶点，通过随机过程 $Y_t$ 建模分量的发现。
• 过程 $Y_t$ 定义为 $Y_t = Y_{t-1} + \eta_t - 1$，其中 $\eta_t$ 表示在第 $t$ 步新发现的邻居数，$Y_t$ 表示活跃顶点数减去已探索分量的数量。
• 该方法依赖于将探索过程与二项分布随机变量耦合，并应用大偏差界来控制 $N_t$（中性顶点的数量）。
• 利用鞅集中性与可选停时论证，限制 $Y_t$ 与其期望的偏离，确保 $Y_t$ 在大区间内保持正值。
• 关键估计通过条件期望 $\mathbb{E}[\xi_j^* \mid \mathcal{F}_{j-1}]$ 得到，其中 $\xi_j^*$ 近似 $Y_t$ 的漂移。
• 证明利用了分量大小对应于 $Y_t$ 超过其历史最小值的“波动”长度这一事实，从而实现对分量大小分布的有效控制。

实验结果

研究问题

• RQ1 当 $p = \frac{1+\epsilon(n)}{n}$ 且 $\epsilon(n)n^{1/3} \to \infty$ 时，$G(n,p)$ 中极大分量的渐近大小是多少？
• RQ2 在临界窗口之外的超临界区域中，第 $\ell$ 大的分量大小行为如何？
• RQ3 能否使用初等方法证明分量大小行为，而无需依赖图的深层渐近枚举？
• RQ4 探索过程是否能对分量大小产生以高概率成立的集中性结果？

主要发现

• 在超临界相中，当 $p = \frac{1+\epsilon(n)}{n}$ 且 $\epsilon(n)n^{1/3} \to \infty$ 时，极大分量大小 $|\mathcal{C}_1|$ 满足 $\left| \frac{|\mathcal{C}_1|}{2n\epsilon(n)} - 1 \right| > \eta$ 的概率随 $n \to \infty$ 趋于 0，对任意 $\eta > 0$ 成立。
• 对 $\ell > 1$，第 $\ell$ 大的分量满足 $\left| \frac{|\mathcal{C}_\ell|}{2\epsilon(n)^{-2}\log(n\epsilon(n)^3)} - 1 \right| > \eta$ 的概率趋于 0，表明其以高概率集中在所述表达式附近。
• 探索过程确保以高概率，极大分量在早期被发现，其大小至少为 $2(1-\eta)\epsilon n$，至多为 $2(1+\eta)\epsilon n$，其中 $\eta > 0$ 足够小。
• 在时间 $2(1-\eta)\epsilon n$ 之后发现的分量，其大小以高概率不超过 $\epsilon n$，且此类大分量的期望数量为 $O(\epsilon^{-2})$，因此第二大致分量存在的可能性可忽略。
• 该方法具有稳健性，可推广至如随机正则图上的临界渗滤等模型，传统枚举工具在这些模型中不可用。