[论文解读] Generalized Random Simplicial Complexes

Christopher F. Fowler|arXiv (Cornell University)|Mar 6, 2015

Topological and Geometric Data Analysis参考文献 10被引用 5

一句话总结

本文引入了一个多参数随机单纯复形模型，该模型推广了Linial-Meshulam模型与团复形模型，允许边和高维单纯形的概率独立。该文建立了各维数中非平凡上同调出现的精确阈值，并证明在临界点处，最高维上同调生成元的数量收敛于泊松分布，揭示了多个维数中同时出现非平凡同调的现象。

ABSTRACT

We consider a multi-parameter model for randomly constructing simplicial complexes. This model interpolates between random clique complexes and Linial-Meshulam random $k$-dimensional complexes, two models that have been extensively studied. While these models asymptotically exhibit nontrivial cohomology in only one or two dimensions, we show that in this generalized setting nontrivial cohomology can occur in several dimensions simultaneously. We establish upper and lower thresholds for the appearance of nontrivial cohomology in a particular dimension, and in some instances characterize the behavior at criticality.

研究动机与目标

• 开发一个统一的多参数随机单纯复形模型，该模型在Linial-Meshulam模型与团复形模型之间插值。
• 分析该广义模型中上同调的渐近行为，当顶点数 $ n $ 趋于无穷时。
• 确定所有维数中非平凡 $(k-1)$-维上同调出现的精确阈值。
• 刻画上同调从平凡到非平凡转变的临界行为，证明其收敛于泊松分布。
• 证明与以往模型不同，该框架可同时支持多个维数中的非平凡上同调。

提出的方法

• 定义模型 $X(n, p_1, p_2, \ldots)$，其中1-骨架服从 $G(n, p_1)$，若其边界已存在，则每个 $k$-单纯形以概率 $p_k$ 独立加入。
• 采用归纳构造方法：高维单纯形的添加基于其完整边界在复形中已存在。
• 通过阶乘矩分析 $(k-1)$-维上同调生成元的期望数量，并应用矩收敛技术。
• 通过证明阶乘矩收敛于泊松分布的阶乘矩，建立最高维上同调类数量的泊松收敛性。
• 利用对单纯形包含与依赖结构的概率与组合估计，推导阈值概率 $p_k$ 的上下界。
• 利用已知的 $G(n,p)$ 和团复形理论结果作为特例，将这些框架扩展至多参数设置。

实验结果

研究问题

• RQ1 在广义随机单纯复形模型中，非平凡 $(k-1)$-维上同调出现的精确阈值是什么？
• RQ2 在临界点处，上同调结构的行为如何，特别是其分布收敛性如何？
• RQ3 在此模型下，非平凡上同调能否在多个维数中同时出现，而不同于经典模型？
• RQ4 当 $n \to \infty$ 时，$(k-1)$-维上同调生成元数量的极限分布是什么？
• RQ5 特定模型（如Linial-Meshulam模型、团复形）的结果如何推广至这一更广泛的多参数框架？

主要发现

• 该模型在多个维数中同时表现出非平凡上同调，这是经典模型（如Linial-Meshulam模型或团复形）所不具备的特性。
• 已建立非平凡 $(k-1)$-维上同调出现的精确阈值，其表达式以参数 $p_1, \dots, p_k$ 表示。
• 在临界点处，$(k-1)$-维上同调生成元的数量在分布上收敛于均值为 $\mathbb{E}[N_{k-1}]$ 的泊松随机变量。
• 上同调生成元数量的阶乘矩收敛于泊松分布的阶乘矩，意味着在极限下实现泊松收敛。
• $(k-1)$-维上同调类的期望数量渐近为 $\mathbb{E}[N_{k-1}] = \Theta\left( n^{k} \prod_{i=1}^{k} p_i^{\binom{k}{i}} \right) $，其精确缩放依赖于 $p_i$。
• 该模型推广了Linial-Meshulam模型与团复形模型，且结果将这些特例中的已知定理推广至更广泛的框架。