[论文解读] Scale-Free Networks beyond Power-Law Degree Distribution

Xiangyi Meng, Bin Zhou|arXiv (Cornell University)|Oct 12, 2023

Complex Network Analysis Techniques参考文献 46被引用 4

一句话总结

本文证明了度-度距离分布（DDDD）比传统的度分布（DD）更能作为无标度网络的普适指标，表明所有具有幂律DD的网络也表现出幂律DDDD，但反之不成立。作者提出了两种基于优先连接和优值机制的网络模型，可在不具幂律DD的情况下生成幂律DDDD，证明DDDD更能捕捉现实世界网络中无标度性的潜在机制。

ABSTRACT

Complex networks across various fields are often considered to be scale free -- a statistical property usually solely characterized by a power-law distribution of the nodes' degree $k$. However, this characterization is incomplete. In real-world networks, the distribution of the degree-degree distance $η$, a simple link-based metric of network connectivity similar to $k$, appears to exhibit a stronger power-law distribution than $k$. While offering an alternative characterization of scale-freeness, the discovery of $η$ raises a fundamental question: do the power laws of $k$ and $η$ represent the same scale-freeness? To address this question, here we investigate the exact asymptotic {relationship} between the distributions of $k$ and $η$, proving that every network with a power-law distribution of $k$ also has a power-law distribution of $η$, but \emph{not} vice versa. This prompts us to introduce two network models as counterexamples that have a power-law distribution of $η$ but not $k$, constructed using the preferential attachment and fitness mechanisms, respectively. Both models show promising accuracy by fitting only one model parameter each when modeling real-world networks. Our findings suggest that $η$ is a more suitable indicator of scale-freeness and can provide a deeper understanding of the universality and underlying mechanisms of scale-free networks.

研究动机与目标

• 探究幂律度-度距离分布（DDDD）与幂律度分布（DD）是否在复杂网络中代表相同的无标度性。
• 确定度 $k$ 与度-度距离 $\eta$ 的分布之间的渐近关系。
• 构建反例，证明存在具有幂律DDDD但无幂律DD的网络，从而挑战DD作为无标度性唯一指标的主导地位。
• 提出DDDD作为更稳健、更具普适性的无标度网络机制指标，尤其在DD不呈现幂律行为时更具优势。
• 通过引入DDDD，将无标度网络理论（如渗流和动力系统理论）拓展至不具幂律DD的网络。

提出的方法

• 通过解析推导与极限分析，理论分析度分布 $f(k) \propto k^{-\alpha}$ 与度-度距离分布 $g(\eta)$ 之间的渐近关系。
• 推导 Erdős–Rényi 随机图模型的DDDD，表明其并非幂律分布，即使在 $p_0$ 固定时，也因 $\eta$ 的有限上界和指数衰减项而无法呈现幂律。
• 构建两种网络模型：一种基于时间依赖的优值阈值优先连接机制，另一种基于优值的连接机制，两者均设计为生成幂律DDDD但不具幂律DD。
• 对两种模型进行解析推导，显示在渐近区域内 $g(\eta) \propto \eta^{-\beta}$，其中 $\beta \approx 2.5$，而 $f(k)$ 并非幂律分布。
• 使用度-度距离 $\eta = \exp\left|\ln k_i - \ln k_j\right|$ 作为基于边的度量，量化连接不平衡性，替代或补充基于节点的度 $k$。
• 在真实世界网络（如 Facebook、WorldCity）上验证模型，表明仅需每模型一个可调参数即可实现高精度拟合，支持其经验相关性。

Figure 1: Distributions of (a,c) $k$ and (b,d) $\eta$ for the “no-growth” model, a network model of a fixed number of nodes, between which each internal link is added at each time step following the preferential attachment rule. The model simulation results (circle) are given by the average of $10^{

实验结果

研究问题

• RQ1 度-度距离 $\eta$ 的幂律分布是否为网络被视为无标度的必要或充分条件？
• RQ2 是否每个具有幂律度分布 $f(k)$ 的网络也表现出幂律度-度距离分布 $g(\eta)$？
• RQ3 是否存在具有幂律 $g(\eta)$ 但无幂律 $f(k)$ 的网络？若存在，其生成机制为何？
• RQ4 DDDD 与 DD 相比，如何更有效地捕捉现实世界复杂网络的潜在机制？
• RQ5 DDDD 是否可作为比传统 DD 更具普适性与鲁棒性的无标度性指标，尤其在有限尺寸或非理想网络中？

主要发现

• 所有具有幂律度分布 $f(k) \propto k^{-\alpha}$ 的网络也表现出幂律度-度距离分布 $g(\eta) \propto \eta^{-\beta}$，证明幂律DDDD是幂律DD的必然结果。
• 反之不成立：如通过优先连接与优值机制构建的两个模型所示，网络可具有幂律DDDD但无幂律DD。
• Erdős–Rényi 随机图模型的DDDD并非幂律分布，即使在大 $N$ 极限下，也因 $\eta$ 的有限上界和指数衰减项而无法呈现幂律。
• 所构建的优先连接与优值驱动模型均产生幂律DDDD，其指数 $\beta \approx 2.5$，同时避免了幂律DD，证实DDDD可独立于DD呈现幂律。
• DDDD 作为无标度性指标比DD更具普适性，因其可在度分布不显示幂律时仍捕捉尺度不变的连接不平衡性。
• 基于DDDD的模型在真实世界网络（如 Facebook、WorldCity）上的拟合达到高精度，且每模型仅需一个可调参数，表明其在复杂系统建模中的实际应用潜力。

Figure 2: Distributions of (a,c) $k$ and (b,d) $\eta$ for the "hard-threshold" model, a network model that assigns a uniformly distributed fitness $\omega\in[0,\omega_{\max}=1]$ to each node, where two nodes are linked if and only if their fitness sum is larger than a threshold $z$ . The model simul