[论文解读] Dynamical Networks, Isospectral Graph Reductions, and Improved Estimates of Matrices' Spectra

Leonid Bunimovich, Benjamin Webb|arXiv (Cornell University)|Nov 12, 2009

Graph theory and applications参考文献 10被引用 3

一句话总结

本文提出同谱图约化方法，用于在保持加权邻接矩阵谱性质的前提下，简化大型复杂动态网络。通过同谱变换减小矩阵规模，该方法提升了Gershgorin型特征值估计的精度，且随着矩阵的不断约化，估计精度持续提高，为复数矩阵提供了可调节精度的增强谱逼近。

ABSTRACT

Abstract. Dynamical networks are characterized by large complex graphs of interactions. We suggest a procedure of simplifying the structure of such graphs while preserving the spectrum of their weighted adjacency matrix. As the process of isospectral graph reductions maintains the spectrum of the ma-trix up to some known set it is possible to estimate the spectrum of the original matrix by considering Gershgorin-type estimates associated with the reduced matrix. The main result of this paper is that eigenvalue estimates improve for all known methods as the matrix size is reduced. Moreover, our procedure of isospectral graph reductions is very flexible and in particular can be used to obtain better eigenvalue estimates of a matrix with complex valued entries to whatever degree is desired. 1.

研究动机与目标

• 开发一种在不改变其加权邻接矩阵谱性质的前提下，简化大型复杂动态网络的方法。
• 通过减小矩阵规模并保持谱特性，改进矩阵（尤其是复数矩阵）的特征值估计。
• 提供一个灵活的框架，通过迭代约化实现逐步提高的特征值估计精度。
• 证明无论矩阵规模或元素类型如何，特征值估计的精度均随每一步约化而提升。

提出的方法

• 应用同谱图约化将大型图转化为更小的等价结构，同时保持加权邻接矩阵的谱性质。
• 在约化后的矩阵上使用Gershgorin型估计，以近似原始矩阵的特征值。
• 在每一步约化过程中，通过已知的数学条件确保谱的保持。
• 通过迭代应用约化，逐步简化图并优化特征值界。
• 通过控制约化程度，实现特征值估计的任意精度。
• 通过同谱变换，将该方法扩展至具有复数元素的矩阵。

实验结果

研究问题

• RQ1 同谱图约化能否用于简化大型动态网络，同时保持其加权邻接矩阵的谱性质？
• RQ2 通过同谱约化减小矩阵规模时，特征值估计的精度如何变化？
• RQ3 该方法在多大程度上可改进复数矩阵的特征值估计？
• RQ4 特征值估计的改进是否在不同矩阵类型和约化程度下均保持一致？

主要发现

• 所有已知方法的特征值估计均随着通过同谱图约化减小矩阵规模而得到改善。
• 在约化过程中，加权邻接矩阵的谱被精确保持，确保与原始系统的一致性。
• 该方法具有灵活性，可应用于具有复数元素的矩阵，并支持可调节的估计精度。
• 在约化矩阵上进行的Gershgorin型估计，能对原始矩阵的谱提供更紧致的界。
• 通过控制约化程度，该过程可实现越来越精确的特征值逼近。