[论文解读] Limits of dense graph sequences

László Lovász, Balázs Szegedy|ArXiv.org|Aug 12, 2004

Limits and Structures in Graph Theory参考文献 5被引用 10

一句话总结

该论文证明了每个收敛的稠密图序列都存在一个唯一的极限对象，形式为对称可测函数 $W: [0,1]^2 \to [0,1]$，该函数通过积分公式编码所有子图密度的极限。其主要贡献在于通过反射正性和此类 $W$-极限的存在性，对作为同态密度极限出现的图参数进行了完整表征。

ABSTRACT

We show that if a sequence of dense graphs has the property that for every fixed graph F, the density of copies of F in these graphs tends to a limit, then there is a natural ``limit object'', namely a symmetric measurable 2-variable function on [0,1]. This limit object determines all the limits of subgraph densities. We also show that the graph parameters obtained as limits of subgraph densities can be characterized by ``reflection positivity'', semidefiniteness of an associated matrix. Conversely, every such function arises as a limit object. Along the lines we introduce a rather general model of random graphs, which seems to be interesting on its own right.

研究动机与目标

• 表征稠密图序列中作为子图密度极限出现的图参数。
• 为任意收敛的稠密图序列建立一个通用的极限对象，即对称可测函数 $W: [0,1]^2 \to [0,1]$。
• 利用反射正性和连接矩阵结构，对这类极限参数提供完整表征。
• 引入并分析 $W$-随机图，作为一种能捕捉所有此类极限行为的通用模型。
• 通过新框架将经典极值图论结果推广到极限情形。

提出的方法

• 将同态密度 $t(F,G)$ 定义为从 $F$ 到 $G$ 的随机映射是图同态的概率。
• 引入极限对象 $W: [0,1]^2 \to [0,1]$，使得 $t(F,W) = \int_{[0,1]^k} \prod_{ij \in E(F)} W(x_i,x_j) \, dx_1 \cdots dx_k$。
• 证明每个收敛的图序列都存在一个子序列，其归一化邻接矩阵在切范数下收敛于这样的 $W$。
• 通过反射正性表征极限图参数：一个图参数 $t$ 是极限当且仅当其连接矩阵是半正定的。
• 将 $W$-随机图定义为一种通用的随机图模型，其中边的概率由 $W$ 决定，并证明其几乎必然收敛于 $W$。
• 利用鞅收敛定理和 Szemerédi 型正则性，建立图序列收敛于 $W$ 的证明。

实验结果

研究问题

• RQ1 收敛的稠密图序列的通用极限对象是什么？它如何通过积分公式编码所有子图密度极限？
• RQ2 哪些图参数可以作为稠密图序列中子图密度极限出现？
• RQ3 如何利用反射正性表征此类极限参数？
• RQ4 每个对称可测函数 $W: [0,1]^2 \to [0,1]$ 是否都能作为图序列的极限实现？
• RQ5 $W$-随机图在建模和表征图极限行为中起什么作用？

主要发现

• 每个收敛的稠密图序列都有一个极限对象 $W: [0,1]^2 \to [0,1]$，使得对每个固定的图 $F$，有 $t(F,G_n) \to t(F,W)$。
• 极限 $t(F,W)$ 由积分公式 $t(F,W) = \int_{[0,1]^k} \prod_{ij \in E(F)} W(x_i,x_j) \, dx_1 \cdots dx_k$ 给出。
• 一个图参数 $t$ 是子图密度的极限，当且仅当它是归一化的、乘法性的，且其连接矩阵是半正定的（即满足反射正性）。
• 极限函数 $W$ 几乎是唯一的：若对所有 $F$ 都有 $t(F,W) = t(F,U)$，则 $U$ 与 $W$ 在 $[0,1]^2$ 的保测变换下等价。
• 所有由 $W$ 定义边概率的 $W$-随机图模型，其生成的图序列都以几乎必然的方式收敛于 $W$。
• 极值图论中的不等式（如 Goodman 不等式 $t(K_3,G) \geq t(K_2,G)(2t(K_2,G) - 1)$）是反射正性和极限框架的推论。