[论文解读] Large deviations for subcritical bootstrap percolation on the random graph

Omer Angel, Brett Kolesnik|arXiv (Cornell University)|May 18, 2017

Stochastic processes and statistical mechanics参考文献 26被引用 7

一句话总结

本文推导了 Erdős–Rényi 随机图上亚临界 bootstrap 渗透的大型偏差率函数，量化了小初始集合意外感染大量顶点这一罕见事件的指数衰减率。通过在探索过程动力学上采用变分法，识别出实现此类偏差的最低成本路径。

ABSTRACT

We study atypical behavior in bootstrap percolation on the Erdős-Rényi random graph. Initially a set $S$ is infected. Other vertices are infected once at least $r$ of their neighbors become infected. Janson et al. (2012) locates the critical size of $S$, above which it is likely that the infection will spread almost everywhere. Below this threshold, a central limit theorem is proved for the size of the eventually infected set. In this note, we calculate the rate function for the event that a small set $S$ eventually infects an unexpected number of vertices, and identify the least-cost trajectory realizing such a large deviation.

研究动机与目标

• 分析 Erdős–Rényi 随机图上亚临界 bootstrap 渗透中的非典型行为，其中小初始集合引发出乎意料的大规模感染。
• 使用大型偏差理论量化此类罕见事件的尾部概率。
• 识别出实现最终感染集合规模大型偏差的最优（最低成本）路径。
• 超越典型行为（如中心极限定理）的描述，刻画随机网络中罕见但高影响的传播事件。

提出的方法

• 将 bootstrap 渗透建模为一种顺序探索过程，其中顶点根据恰好拥有 $ r-1 $ 个已感染邻居的条件被逐个感染。
• 将最终感染集合 $ I_* $ 定义为不再有新顶点可被感染时的最终稳定配置。
• 通过在 $ n \to \infty $ 时的渐近分析，推导出事件 $ |I_*| \neq \beta \vartheta $ 的率函数 $ \theta(\beta) = \frac{1}{\theta} \tilde{\log} P(S_0, \beta) $。
• 应用变分技术识别实现大型偏差的最低成本路径，通过二项分布概率和泊松近似分析动力学。
• 使用步长为 $ \Delta x_i \sim \vartheta / (\log \vartheta)^2 $ 的离散化探索过程，并推导出易感顶点增量 $ \Delta \pi $ 的渐近表达式。
• 通过估计能触发大规模感染的小初始集合的期望数量，利用指数矩界和对数尺度，建立罕见事件概率的上下界。

实验结果

研究问题

• RQ1 在亚临界 bootstrap 渗透中，小初始集合意外感染大量顶点的概率衰减速率是多少？
• RQ2 实现最终感染集合规模大型偏差的最低成本路径的结构是什么？
• RQ3 率函数 $ \xi(\alpha, \beta) $ 作为 $ \beta $ 的函数如何变化，它揭示了罕见感染级联的几何特性是什么？
• RQ4 即使在亚临界区域，能否通过大型偏差原理刻画全局感染的临界阈值？
• RQ5 在 $ \mathcal{G}_{n,p} $ 中，传染集合的最小大小是多少，它与大型偏差行为有何关联？

主要发现

• 对于 $ \beta \neq \varphi_\alpha $，显式推导出大型偏差率函数 $ \xi(\alpha, \beta) $，其分段表达式取决于 $ \beta \leq \alpha $、$ \alpha < \beta \leq 1 $ 或 $ \beta > 1 $。
• 当 $ \beta \leq \alpha $ 时，率函数为 $ \xi(\alpha, \beta) = -\frac{\beta^r}{r} + (\beta - \alpha_r)\left[1 + \log\left(\frac{\beta^r}{r(\beta - \alpha_r)}\right)\right] $，捕捉了感染不足的代价。
• 当 $ \alpha < \beta \leq \alpha $ 时，率函数为 $ \xi(\alpha, \beta) = \frac{\alpha}{r} - (r-2)(\beta - \alpha) + (r-1)\log\left(\frac{\beta^\beta}{\alpha^{\alpha_r}}\right) $，反映了中间偏差的代价。
• 当 $ \beta > 1 $ 时，率函数为常数：$ \xi(\alpha, \beta) = \xi(\alpha, 1) $，表明在 $ \beta = 1 $ 处的临界阈值主导了尾部行为。
• 率函数 $ \xi(\alpha, \beta) $ 在 $ [\alpha_r, \varphi_\alpha) $ 上递增，在 $ (\varphi_\alpha, 1] $ 上递减，且在 $ \beta = \varphi_\alpha $ 处取得唯一最大值，此时 $ \xi(\alpha, \varphi_\alpha) = 0 $，与中心极限定理一致。
• 建立了最小传染集合大小的下界：以高概率，任何大小为 $ t_\delta = (1-\delta)r\vartheta / \log(n/\vartheta) $ 的集合都无法触发超过 $ \vartheta/(1-1/r)^2 $ 个感染，该结论基于指数矩估计和 $ \alpha = 0 $ 处的率函数。