[论文解读] Getting the Lay of the Land in Discrete Space: A Survey of Metric Dimension and its Applications

Richard C. Tillquist, Rafael Frongillo+1 more|arXiv (Cornell University)|Apr 15, 2021

Graph Labeling and Dimension Problems被引用 14

一句话总结

本综述全面概述了图的度量维数，将其定义为通过最短路径距离唯一标识所有节点所需的最少地标数量。综述综合了理论结果、近似技术（如 ICH 算法）以及在网络源定位、生物数据嵌入和图同构性中的应用，同时对确定性和随机图族中的度量维数给出了紧致的渐近界 characterization。

ABSTRACT

The metric dimension of a graph is the smallest number of nodes required to identify all other nodes based on shortest path distances uniquely. Applications of metric dimension include discovering the source of a spread in a network, canonically labeling graphs, and embedding symbolic data in low-dimensional Euclidean spaces. This survey gives a self-contained introduction to metric dimension and an overview of the quintessential results and applications. We discuss methods for approximating the metric dimension of general graphs, and specific bounds and asymptotic behavior for deterministic and random families of graphs. We conclude with related concepts and directions for future work.

研究动机与目标

• 为离散图中的度量维数提供一个统一且自包含的导论，连接图论、网络科学和数据表示中的概念。
• 调查各类图族（包括树、网格和随机图）中度量维数的精确结果、渐近行为及近似方法。
• 突出展示实际应用，如传播过程中的源定位、基序检测，以及在低维空间中嵌入符号数据。
• 探讨相关概念，如双重分辨集、强度量维数和截断度量维数，以扩展度量维数的框架。
• 识别开放问题和未来研究方向，尤其关注在现实世界和复杂网络模型中理解度量维数。

提出的方法

• 通过分辨集定义度量维数：一组顶点 R，使得所有其他顶点均可根据其到 R 的距离向量唯一识别。
• 使用 ICH（信息内容启发式）算法近似度量维数，保证近似最优性，但时间复杂度为 O(n³)。
• 利用直径、孪生顶点和连通性等结构特性，推导出 β(G) 的精确值或渐近值，分析图特定的界。
• 应用截断度量维数（β(Dk)）以简化分析，尤其在 Erdős-Rényi 等随机图中，基于邻接关系的信息（k=1）可对完整度量维数给出紧致上界。
• 采用随机图模型——Erdős-Rényi 模型、随机块模型和随机树——在概率假设下推导度量维数的渐近行为。
• 引入并比较相关概念：上维数、分辨数、随机 k-维性以及多边测量法，以扩展适用范围。

Figure 10: Histogram of the metric dimensions of 1000 random trees on 2000 vertices (blue bars), along with the probability density function of a standard normal distribution (red curve). The Jarque-Bera test produces a $p$ -value of $0.222$ ; in particular, the data carries little to no evidence ag

实验结果

研究问题

• RQ1 对于树、网格、轮图和海明图等常见图族，其度量维数是多少？能否推导出精确公式？
• RQ2 在 Erdős-Rényi 和随机块模型等随机图模型中，度量维数的渐近行为如何？
• RQ3 计算度量维数的计算极限是什么？像 ICH 这类近似算法在实践中有多有效？
• RQ4 通过双重分辨集或多边测量法等相关概念，度量维数在哪些方面可以被扩展或适应？
• RQ5 是否存在所有最小分辨集均为最小大小的图族（即随机 k-维图）？这类图具有何种特征？

主要发现

• 当且仅当树为路径图时，其度量维数恰好为 1；否则，其度量维数受叶子数减去具有共同邻居的叶子对数的限制。
• 对于网格和蜂窝网络，度量维数随顶点数的对数增长，表明在导航和定位中可实现高效的地标布置。
• 在 p = Ω(log n / n) 的 Erdős-Rényi 随机图 G(n,p) 中，度量维数渐近几乎必然为 Θ(n / log n)，该结果通过 1-截断度量维数分析得出。
• 分辨数 res(G) 满足 β(G) ≤ dim⁺(G) ≤ res(G) ≤ n−1，且仅在特殊情况下（如完全图 K_{k+1} 和 k=2 的奇圈 C_n）有 β(G) = res(G)。
• 目前已知的随机 k-维图仅有 K_{k+1} 和 k=2 的奇圈 C_n，表明此类图极为稀少且高度结构化。
• 截断度量维数 β(D₁) 为随机图的 β(G) 提供了紧致上界，使得可通过独立邻接信息而非完整最短路径距离来分析度量维数。