[论文解读] Large Deviations of Non-Stochastic Interacting Particles on Sparse Random Graphs

James MacLaurin|arXiv (Cornell University)|Oct 27, 2020

Complex Network Analysis Techniques参考文献 37被引用 4

一句话总结

本文为稀疏随机图上非随机相互作用粒子系统建立了大偏差原理，其中随机性仅源于图的拓扑结构和初始条件。通过引入嵌套经验测度，并利用连续动力学映射的前推（push-forward）论证，证明了系统经验测度的大偏差率函数由初始条件的率函数导出，即使平均度数以任意缓慢的速度增长，该结论依然成立。

ABSTRACT

This paper concerns the large deviations of a system of interacting particles on a random graph. There is no stochasticity, and the only sources of disorder are the random graph connections, and the initial condition. The average number of afferent edges on any particular vertex must diverge to infinity as $N o \infty$, but can do so at an arbitrarily slow rate. These results are thus accurate for both sparse and dense random graphs. A particular application to sparse Erdos-Renyi graphs is provided. The theorem is proved by pushing forward a Large Deviation Principle for a `nested empirical measure' generated by the initial conditions to the dynamics. The nested empirical measure can be thought of as the density of the density of edge connections: the associated weak topology is more coarse than the topology generated by the graph cut norm, and thus there is a broader range of application.

研究动机与目标

• 为无时间演化随机性的相互作用粒子系统发展大偏差框架，其中无序性仅源于随机图结构和初始条件。
• 将大偏差理论扩展至稀疏随机图，包括平均度数以任意缓慢速度增长的图。
• 解决非遍历或异质网络拓扑结构下的挑战，当标准图子（graphon）或切范数（cut-norm）方法因缺乏正则性而失效时。
• 通过连续前推映射，建立初始条件大偏差与系统演化之间的确切联系。
• 为理解仅由无序网络结构即可产生复杂集体行为（如神经雪崩或瞬态状态）提供理论基础。

提出的方法

• 引入‘嵌套经验测度’，以编码每个节点传入连接的条件分布，从而实现比标准图切范数更精细的拓扑结构。
• 定义一个动力学映射 Ψ，将初始条件的经验测度前推至粒子系统的路径动力学测度。
• 证明在连续路径空间上概率测度弱拓扑下的前推映射 Ψ 连续。
• 利用逆压缩原理和瓦拉达汉压缩原理，将大偏差原理从初始条件空间转移到动力系统空间。
• 在嵌套经验测度诱导的拓扑下，建立指数紧致性与紧致性，以确保逼近序列的收敛性。
• 利用弱收敛技术，并构造逼近测度的柯西序列，以在缺乏一致连续性时定义前推映射的极限。

实验结果

研究问题

• RQ1 能否为无时间依赖噪声的稀疏随机图上非随机相互作用粒子系统建立大偏差原理？
• RQ2 当平均度数以极缓慢速度发散时，系统的大偏差行为如何依赖于初始条件与图拓扑？
• RQ3 在稀疏图设定下，为确保动力学映射的连续性，经验测度空间上需要何种拓扑结构？
• RQ4 在无噪声条件下，图的无序性在多大程度上可单独引发粒子系统中罕见但显著的集体行为？
• RQ5 在改进的经验测度拓扑下，前推方法能否适用于具有异质连通性的系统，包括连接数为 O(1) 的节点？

主要发现

• 粒子系统经验测度的大偏差率函数是通过连续动力学映射 Ψ，从前推初始条件经验测度的率函数导出的。
• 该方法适用于稀疏图与密集图，包括埃拉多斯-雷尼（Erdos-Renyi）图，只要每个节点的平均入度随 N 发散，即使发散速度任意缓慢。
• 使用嵌套经验测度使得拓扑比图切范数更粗糙，从而在稀疏图缺乏正则性的情况下仍具有更广泛的应用性。
• 动力学映射 Ψ 在路径空间的弱拓扑下连续，这对应用瓦拉达汉压缩原理至关重要。
• 证明表明，即使图结构高度异质，前推映射的极限依然存在且唯一。
• 该框架成功捕捉了仅由拓扑无序驱动的罕见事件，如瞬态神经状态或雪崩，而无需依赖内在噪声。