[论文解读] On the Dimension and Euler characteristic of random graphs

Oliver Knill|arXiv (Cornell University)|Dec 24, 2011

Graph theory and applications参考文献 8被引用 4

一句话总结

本文为有限图引入了一种可计算的归纳维数，并研究了其在 Erdős-Rényi 随机图模型 G(n,p) 中的统计性质。推导出了期望维数和欧拉示性数的显式多项式表达式，表明平均维数随 n 增大而减小，而方差则随之减小，并揭示了有限图中维数与欧拉示性数之间存在非平凡的相关性。

ABSTRACT

The inductive dimension dim(G) of a finite undirected graph G=(V,E) is a rational number defined inductively as 1 plus the arithmetic mean of the dimensions of the unit spheres dim(S(x)) at vertices x primed by the requirement that the empty graph has dimension -1. We look at the distribution of the random variable "dim" on the Erdos-Renyi probability space G(n,p), where each of the n(n-1)/2 edges appears independently with probability p. We show here that the average dimension E[dim] is a computable polynomial of degree n(n-1)/2 in p. The explicit formulas allow experimentally to explore limiting laws for the dimension of large graphs. We also study the expectation E[X] of the Euler characteristic X, considered as a random variable on G(n,p). We look experimentally at the statistics of curvature K(v) and local dimension dim(v) = 1+dim(S(v)) which satisfy the Gauss-Bonnet formula X(G) = sum K(v) and by definition dim(G) = sum dim(v)/|V|. We also look at the signature functions f(p)=E[dim], g(p)=E[X] and matrix values functions A(p) = Cov[{dim(v),dim(w)], B(p) = Cov[K(v),K(w)] on the probability space G(p) of all subgraphs of a host graph G=(V,E) with the same vertex set V, where each edge is turned on with probability p. If G is the complete graph or a union of cyclic graphs with have explicit formulas for the signature polynomials f and g.

研究动机与目标

• 基于单位球面维数，定义并分析一种新的有限图归纳维数。
• 研究维数与欧拉示性数作为 Erdős-Rényi 模型 G(n,p) 中随机变量的统计行为。
• 在 G(n,p) 上推导出期望维数与欧拉示性数的显式多项式表达式。
• 研究随机图中维数、欧拉示性数与曲率之间的相关性。
• 探讨这些随机变量在复杂网络中的几何与拓扑意义。

提出的方法

• 通过递归定义归纳维数：对每个顶点 v，有 dim(G) = 1 + (1/|V|)∑dim(S(v))，其中 dim(∅) = -1。
• 利用边概率上的期望线性性，将期望维数 E[dim] 表示为 p 的多项式，其次数为 n(n-1)/2，适用于 G(n,p)。
• 通过高斯-博内公式将欧拉示性数 χ(G) 表示为局部曲率 K(v) 的和：χ(G) = ∑K(v)。
• 推导出 E[χ] 关于 p 的显式公式，表明在一维母图中 E[χ] = |V|(1 - p)。
• 使用蒙特卡洛模拟与小 n 的精确枚举方法，计算 dim 与 χ 之间的协方差、方差与相关性。
• 分析随机图中曲率分布与局部维数分布，尤其关注小 n 及 p = 1/2 的情况。

实验结果

研究问题

• RQ1 随机图 G(n,p) 的归纳维数的期望值是多少？能否将其表示为关于 p 的可计算多项式？
• RQ2 G(n,p) 的期望欧拉示性数如何随 p 变化？其精确形式是什么？
• RQ3 随机图中维数与欧拉示性数之间的相关性结构是怎样的？其随 n 如何演化？
• RQ4 曲率与局部维数在随机图的顶点间如何变化？其极值是多少？
• RQ5 G(n,p) 中维数与欧拉示性数的方差是多少？其随 n 的变化趋势如何？

主要发现

• 在 G(n,p) 上，期望维数 E[dim] 是关于 p 的 n(n-1)/2 次多项式，对小 n 可显式计算。
• 当 p = 1/2 时，维数的方差随 n 增大而减小，在 n = 20 时约为 0.1，表明在大图中存在收敛性。
• 对于一维母图（如 C_n），期望欧拉示性数 E[χ] 为 |V|(1 - p)，且一般情况下依赖于母图结构。
• 在 p = 1/2 时，当 n ≥ 7，维数与欧拉示性数之间的相关性变为正值，表明二者关系非单调。
• 最小曲率 -2 出现在中心度为 6 的星图中，当 n = 7 时，曲率范围为 -2 至 1，共观察到 47 种不同值。
• 当 n = 7 时，7×2^(21) 个图中有 2,784,810 个图的曲率为零，表明在小随机图中平坦性较为常见。