[论文解读] Random subgraphs of finite graphs: I. The scaling window under the triangle condition

Christian Borgs, Jennifer Chayes+3 more|ArXiv.org|Jan 8, 2004

Limits and Structures in Graph Theory参考文献 31被引用 89

一句话总结

该论文在满足三角形条件的有限传递图的随机子图中建立了标度窗口的存在性，表明在临界阈值 $p_c$ 为中心、宽度为 $\Theta(\Omega^{-1}V^{-1/3})$ 的窗口内，最大连通簇大小为 $\Theta(V^{2/3})$，且在窗口外表现出不同的行为。结果将 Erdős–Rényi 随机图的相变行为推广到了包括 $n$-立方体和高维环面在内的广泛图类。

ABSTRACT

We study random subgraphs of an arbitrary finite connected transitive graph $\mathbb G$ obtained by independently deleting edges with probability $1-p$. Let $V$ be the number of vertices in $\mathbb G$, and let $Ω$ be their degree. We define the critical threshold $p_c=p_c(\mathbb G,λ)$ to be the value of $p$ for which the expected cluster size of a fixed vertex attains the value $λV^{1/3}$, where $λ$ is fixed and positive. We show that for any such model, there is a phase transition at $p_c$ analogous to the phase transition for the random graph, provided that a quantity called the triangle diagram is sufficiently small at the threshold $p_c$. In particular, we show that the largest cluster inside a scaling window of size $|p-p_c|=Θ(\cn^{-1}V^{-1/3})$ is of size $Θ(V^{2/3})$, while below this scaling window, it is much smaller, of order $O(ε^{-2}\log(Vε^3))$, with $ε=\cn(p_c-p)$. We also obtain an upper bound $O(\cn(p-p_c)V)$ for the expected size of the largest cluster above the window. In addition, we define and analyze the percolation probability above the window and show that it is of order $Θ(\cn(p-p_c))$. Among the models for which the triangle diagram is small enough to allow us to draw these conclusions are the random graph, the $n$-cube and certain Hamming cubes, as well as the spread-out $n$-dimensional torus for $n>6$.

研究动机与目标

• 将 Erdős–Rényi 随机图的相变与标度窗口行为推广至一般有限、传递图。
• 识别出一个充分条件——临界点处三角形图较小——在此条件下，随机子图表现出类似的关键行为。
• 精确刻画最大簇大小在标度窗口内和外的行为，包括精确的渐近界。
• 定义并分析窗口之上的渗滤概率，表明其与 $\Omega(p - p_c)$ 呈线性关系。

提出的方法

• 将临界阈值 $p_c$ 定义为固定顶点的期望簇大小达到 $\lambda V^{1/3}$ 的值，其中 $\lambda > 0$ 为固定常数，以确保非平凡的标度极限。
• 引入三角形图 $\nabla_p(x,y)$ 作为控制相关性的关键量；证明若其在 $p_c$ 处较小，则模型行为类似于随机图。
• 使用 BK 不等式与解耦技术控制簇大小二阶矩的导数，从而实现对波动的控制。
• 分析最大簇大小在三种情形下的行为：标度窗口内（$|p - p_c| = \Theta(\Omega^{-1}V^{-1/3})$）、窗口之下（$p < p_c - \epsilon$）和窗口之上（$p > p_c + \epsilon$）。
• 建立最大簇期望大小的上界：在窗口之上为 $O(\Omega(p - p_c)V)$，在窗口之下为 $O(\epsilon^{-2}\log(V\epsilon^3))$，其中 $\epsilon = \Omega(p_c - p)$。
• 定义并分析窗口之上的渗滤概率，表明其为 $\Theta(\Omega(p - p_c))$。

实验结果

研究问题

• RQ1 在何种条件下，有限、传递图的随机子图会表现出类似于 Erdős–Rényi 随机图的相变？
• RQ2 最大簇大小为 $\Theta(V^{2/3})$ 的标度窗口的精确宽度是什么？
• RQ3 最大簇大小在标度窗口之外（$p_c$ 之下与之上）的行为如何？
• RQ4 在临界阈值之上的渗滤概率的渐近行为是什么？
• RQ5 哪些图类满足三角形条件，从而确保标度窗口结果的有效性？

主要发现

• 在标度窗口内，窗口宽度为 $|p - p_c| = \Theta(\Omega^{-1}V^{-1/3})$，最大簇大小为 $\Theta(V^{2/3})$，确认了临界标度行为。
• 在窗口之下，令 $\epsilon = \Omega(p_c - p)$，最大簇大小为 $O(\epsilon^{-2}\log(V\epsilon^3))$，表明其大小急剧下降。
• 在窗口之上，最大簇期望大小被控制在 $O(\Omega(p - p_c)V)$ 以内，显示出与 $p_c$ 距离的线性依赖关系。
• 窗口之上的渗滤概率为 $\Theta(\Omega(p - p_c))$，表明其对偏离 $p_c$ 的响应呈线性。
• 该结果适用于在 $p_c$ 处三角形图足够小的图类，包括随机图、$n$-立方体、某些汉明立方体，以及 $n > 6$ 时的扩展 $n$ 维环面。
• 临界阈值 $p_c$ 被定义为固定顶点的期望簇大小达到 $\lambda V^{1/3}$ 的值，以确保非平凡的标度极限。