[论文解读] Graph eigenvectors, fundamental weights and centrality metrics for nodes in networks

Piet Van Mieghem|arXiv (Cornell University)|Jan 18, 2014

Graph theory and applications参考文献 34被引用 15

一句话总结

本文提出了一种基于图矩阵（如邻接矩阵或拉普拉斯矩阵）特征向量平方分量的新型节点中心性度量，将其解释为通过特征值敏感性与图鲁棒性相关联的节点重要性度量。主要贡献在于从特征向量分量中推导出一套完整、数学上严谨且几乎互不相关的中心性度量集，其中基本权重与对偶基本权重总结了网络分析中的谱信息。

ABSTRACT

Several expressions for the $j$-th component $\left( x_{k} ight)_{j}$ of the $k$-th eigenvector $x_{k}$ of a symmetric matrix $A$ belonging to eigenvalue $λ_{k}$ and normalized as $x_{k}^{T}x_{k}=1$ are presented. In particular, the expression \[ \left( x_{k} ight)_{j}^{2}=-\frac{1}{c_{A}^{\prime}\left( λ_{k} ight) }\det\left( A_{\backslash\left\{ j ight\} }-λ_{k}I ight) \] where $c_{A}\left( λ ight) =\det\left( A-λI ight) $ is the characteristic polynomial of $A$, $c_{A}^{\prime}\left( λ ight) =\frac{dc_{A}\left( λ ight) }{dλ}$ and $A_{\backslash\left\{ j ight\} }$ is obtained from $A$ by removal of row $j$ and column $j$, suggests us to consider the square eigenvector component as a graph centrality metric for node $j$ that reflects the impact of the removal of node $j$ from the graph at an eigenfrequency/eigenvalue $λ_{k}$ of a graph related matrix (such as the adjacency or Laplacian matrix). Removal of nodes in a graph relates to the robustness of a graph. The set of such nodal centrality metrics, the squared eigenvector components $\left( x_{k} ight)_{j}^{2}$ of the adjacency matrix over all eigenvalue $λ_{k}$ for each node $j$, is 'ideal' in the sense of being complete, \emph{almost} uncorrelated and mathematically precisely defined and computable. Fundamental weights (column sum of $X$) and dual fundamental weights (row sum of $X$) are introduced as spectral metrics that condense information embedded in the orthogonal eigenvector matrix $X$, with elements $X_{ij}=\left( x_{j} ight)_{i}$. In addition to the criterion {\em If the algebraic connectivity is positive, then the graph is connected}, we found an alternative condition: {\em If $\min_{1\leq k\leq N}\left( λ_{k}^{2}(A) ight) =d_{\min}$, then the graph is disconnected.}

研究动机与目标

• 为网络分析开发一套完整、正交且数学上精确的节点中心性度量集。
• 将特征向量分量的平方解释为与节点移除对图特征结构影响相关的节点重要性度量。
• 定义并分析基本权重（特征向量矩阵的列和）与对偶基本权重（行和）作为谱网络度量。
• 基于特征值性质（特别是邻接矩阵的最小平方特征值）建立图连通性的新代数条件。
• 提供有序基本权重间距的界与结构洞察，将其与网络拓扑和鲁棒性联系起来。

提出的方法

• 推导出平方特征向量分量的行列式表达式：$(x_k)_j^2 = -\frac{1}{c_A'(\lambda_k)} \det(A_{\setminus\{j\}} - \lambda_k I)$，其中$c_A(\lambda)$为特征多项式。
• 运用线性代数与特征值理论，将$(x_k)_j^2$解释为在特征频率$\lambda_k$下移除节点$j$的影响度量。
• 引入基本权重$\varphi_j = \sum_k X_{jk}^2$与对偶基本权重$\varphi_j^*$，作为跨所有特征模态的节点重要性的谱总结。
• 应用阿贝尔求和与柯西-施瓦茨不等式，推导有序基本权重间距的界。
• 建立新的连通性判据：若$\min_k \lambda_k^2(A) = d_{\min}$，则图不连通。
• 利用正交特征向量矩阵$X$（其中$X_{ij} = (x_j)_i$）定义并分析全局谱度量。

实验结果

研究问题

• RQ1 图矩阵特征向量分量的平方如何被解释为节点中心性度量？
• RQ2 节点移除与特征值敏感性之间的关系如何通过特征向量分量捕捉？
• RQ3 基本权重与对偶基本权重如何总结网络结构的谱信息？
• RQ4 能否从邻接矩阵的特征值谱中推导出图连通性的新代数条件？
• RQ5 有序基本权重间距的紧致界是什么？它们如何与网络拓扑相关联？

主要发现

• 平方特征向量分量$(x_k)_j^2$作为一套完整、正交且数学上明确定义的中心性度量，量化了在特征频率$\lambda_k$下节点$j$被移除的影响。
• 建立新的连通性判据：若$\min_k \lambda_k^2(A) = d_{\min}$，则图不连通，为代数连通性提供了一种替代方法。
• 基本权重$\varphi_j = \sum_k X_{jk}^2$与对偶基本权重$\varphi_j^*$将谱信息浓缩为具有明确解释的节点特定度量。
• 有序对偶基本权重的最大间距下界为$O(1/N)$，若已知$\varphi_{(N)}$，可获得更紧的界。
• 有序基本权重间距满足$\min_j \{ \varphi_{(j)} - \varphi_{(j+1)} \} \leq O(1/\sqrt{N})$（当$N$较大时），表明权重在排名靠前的节点中趋于集中。
• 对偶基本权重$\varphi_j^*$为第$j$大的分量，其间距分析揭示了与度分布和网络规模相关的结构约束。