[论文解读] Distances in random graphs with infinite mean degrees

Remco van der Hofstad, Gerard Hooghiemstra+1 more|ArXiv.org|Jul 7, 2004

Complex Network Analysis Techniques参考文献 12被引用 5

一句话总结

该论文研究具有幂律尾部指数 τ ∈ (1,2) 的独立同分布度的随机图，意味着平均度数为无穷大。利用极值理论，证明了当网络规模 N → ∞ 时，两个典型节点之间的图距离（跳数）依分布收敛到仅在值 2 和 3 上支持的极限分布，且距离为 2 的概率收敛到一个正的常数 pτ ∈ (0,1)。

ABSTRACT

We study random graphs with an i.i.d. degree sequence of which the tail of the distribution function $F$ is regularly varying with exponent $τ\in (1,2)$. Thus, the degrees have infinite mean. Such random graphs can serve as models for complex networks where degree power laws are observed. The minimal number of edges between two arbitrary nodes, also called the graph distance or the hopcount, in a graph with $N$ nodes is investigated when $N o \infty$. The paper is part of a sequel of three papers. The other two papers study the case where $τ\in (2,3)$, and $τ\in (3,\infty),$ respectively. The main result of this paper is that the graph distance converges for $τ\in (1,2)$ to a limit random variable with probability mass exclusively on the points 2 and 3. We also consider the case where we condition the degrees to be at most $N^α$ for some $α>0.$ For $τ^{-1}(τ-1)^{-1}$, the hopcount converges to the same limit as for the unconditioned degrees. Our results give convincing asymptotics for the hopcount when the mean degree is infinite, using extreme value theory.

研究动机与目标

• 理解度分布具有重尾且平均度数为无穷大的随机网络中图距离的渐近行为。
• 对诸如互联网等复杂网络进行建模，其中幂律度分布与典型小距离共存。
• 严格推导当度矩发散时跳数（最短路径长度）的极限分布。
• 研究度截断（例如，度数受限于 Nα）对极限跳数分布的影响。
• 将无矩尺度自由网络中小世界现象的理解从有限矩情形推广至更一般情形。

提出的方法

• 使用配置模型生成度为独立同分布的随机图，其度分布为尾指数 τ ∈ (1,2) 的正则变体分布。
• 应用极值理论分析最重尾的度数行为，这些度数主导图的结构。
• 对最大度数不超过 Nα（α > 0）施加条件，以研究截断对跳数收敛的影响。
• 采用耦合论证和矩界，证明高阶度节点（巨节点）以高概率形成完全子图。
• 利用随机控制和集中不等式，控制连痂数以及高阶度节点之间的连通性。
• 推导两个节点通过长度为 2 或 3 的路径相连的概率的渐近界，依赖于枢纽节点的主导作用。

实验结果

研究问题

• RQ1 在具有无限均值的独立同分布度的随机图中，两个典型节点之间图距离的极限分布是什么？
• RQ2 当度分布被截断至 Nα（α > 0）时，跳数行为如何表现，特别是在 τ ∈ (1,2) 的情形下？
• RQ3 具有无限均值度数的枢纽节点是否会导致有界极限跳数？如果是，原因是什么？
• RQ4 存在一个临界 α 值，使得跳数从集中在 3 转变为收敛到未截断情形下的相同极限分布？
• RQ5 能否显式地用 τ 表达极限距离为 2 的路径的概率？

主要发现

• 当 τ ∈ (1,2) 时，两个典型节点之间的跳数 H_N 依分布收敛到一个仅在值 2 和 3 上支持的极限随机变量。
• 极限概率 P(H_N = 2) 收敛到一个常数 pτ ∈ (0,1)，其依赖于 τ 且严格为正。
• 当度数被限制在 N^α 以内，且满足 τ⁻¹ < α < (τ−1)⁻¹ 时，跳数以概率收敛于 3。
• 当 α > (τ−1)⁻¹ 时，跳数依分布收敛到与未截断情形相同的极限分布，即 {2,3} 上的非退化分布。
• 收敛过程由极值理论驱动，其中最重尾的度数主导图结构并形成枢纽核心。
• 模拟结果验证了理论结果：随着 N 增大，经验跳数分布集中在 2 和 3 上，且 P(H_N=2) 稳定。