[论文解读] From heavy-tailed Boolean models to scale-free Gilbert graphs

Christian Hirsch|arXiv (Cornell University)|Jan 1, 2014

Complex Network Analysis Techniques被引用 1

一句话总结

本文引入了无标度吉尔伯特图（scale-free Gilbert graph），这是一种在 d 维环面上定义的随机几何网络，其中若一个顶点位于另一个顶点的重尾半径范围内，则两个顶点相连。研究证明，随机顶点处边长的幂加权和具有多项式尾部，且在边被稀释时，化学距离呈对数尺度增长，揭示了基于半径分布尾指数的不同行为区域。

ABSTRACT

Define the scale-free Gilbert graph based on a Boolean model with heavy-tailed radius distribution on the $d$-dimensional torus by connecting two centers of balls by an edge if at least one of the balls contains the center of the other. We investigate two asymptotic properties of this graph as the size of the torus tends to infinity. First, we determine the tail index associated with the asymptotic distribution of the sum of all power-weighted incoming and outgoing edge lengths at a randomly chosen vertex. Second, we study the behavior of chemical distances on scale-free Gilbert graphs and show the existence of different regimes depending on the tail index of the radius distribution. Despite some similarities to long-range percolation and ultra-small scale-free geometric networks, scale-free Gilbert graphs are actually more closely related to fractal percolation and this connection gives rise to different scaling limits. We also propose a modification of the graph, where the total number of edges can be reduced substantially at the cost of introducing a logarithmic factor in the chemical distances.

研究动机与目标

• 使用随机几何框架对具有分形几何结构的层级空间网络进行建模。
• 解决现有模型（如长程渗滤和超小无标度网络）在缺乏空间相关性或低水平连通性差方面的局限性。
• 提出一种新模型——无标度吉尔伯特图，其中若一个节点位于另一节点的影响半径内，则形成边，从而确保更强的空间相关性。
• 分析当环面尺寸增大时，边长之和与化学距离的渐近行为。
• 通过引入稀释变体，研究总电缆长度与跳数之间的权衡，表明化学距离仅以对数因子增长。

提出的方法

• 在 d 维环面上定义布尔模型，其中每个点的半径分布为独立同分布的重尾分布。
• 通过若 |x−y| ≤ max{Rx, Ry} 则连接两点，构建无标度吉尔伯特图。
• 利用矩界和尾指数估计，分析在均匀随机顶点处的入射与出射边长的幂加权和。
• 利用按半径排序序列中的递减链，对稀释图 G′(X(n)) 中的化学距离进行上界估计。
• 应用概率界和斯特林近似，证明长递减链（意味着大化学距离）以趋于零的概率出现。
• 通过 [8] 中递减链概念的变体，证明稀释图中化学距离的增长最多为 n 的对数因子。

实验结果

研究问题

• RQ1 在无标度吉尔伯特图中，随机顶点处边长幂加权和的渐近分布的尾指数是多少？
• RQ2 当环面尺寸 n → ∞ 时，节点间化学距离的标度行为如何依赖于半径分布的尾指数？
• RQ3 能否显著减少边数，同时保持短的化学距离？其距离增长的权衡关系如何？
• RQ4 在稀释图中，长递减链的存在与大化学距离之间存在何种关系？
• RQ5 与长程渗滤和超小无标度几何网络等现有模型相比，无标度吉尔伯特图在空间相关性和层级结构方面有何不同？

主要发现

• 在随机顶点处，所有入射与出射边长的幂加权和的渐近分布具有多项式尾部，其尾指数由半径分布的尾指数决定。
• 无标度吉尔伯特图中的化学距离表现出不同的标度区域，具体取决于半径分布的尾指数 β：亚对数增长、对数增长或超对数增长。
• 当边被稀释以减少总边数时，化学距离最多以环面尺寸 n 的对数因子增长，这通过长递减链几乎必然不存在得到证明。
• 当 n → ∞ 时，长度超过 c₁ log n 的环面递减链出现的概率趋于零，意味着此类链（会导致大距离）极少出现。
• 稀释图 G′(X(n)) 保持了短路径连接性，任意在 G(X(n)) 中连通的两点在 G′(X(n)) 中的化学距离最多增加 O(log n)。
• 该模型更接近分形渗滤而非长程渗滤或超小无标度网络，因而具有不同的标度极限。