[论文解读] Scale-free networks with self-growing weight

Takuma Tanaka, Toshio Aoyagi|ArXiv.org|Jan 15, 2007

Modular Robots and Swarm Intelligence被引用 3

一句话总结

本文提出了一种新颖的可解析处理的加权无标度网络模型，其中链接权重通过一种与节点连接独立的强度驱动、自增长机制增长。该模型生成度、权重和强度的幂律分布，控制参数 $ c $ 决定网络结构——小 $ c $ 适合合作者网络，大 $ c $ 适合电子邮件网络——从而实现复杂系统中统计特性的理论推导。

ABSTRACT

We present a novel type of weighted scale-free network model, in which the weight grows independently of the attachment of new nodes. The evolution of this network is thus determined not only by the preferential attachment of new nodes to existing nodes but also by self-growing weight of existing links based on a simple weight-driven rule. This model is analytically tractable, so that the various statistical properties, such as the distribution of weight, can be derived. Finally, we found that some type of social networks is well described by this model.

研究动机与目标

• 开发一种加权复杂网络模型，其中链接权重的增长独立于节点的增加，以捕捉重复合作等现实世界动力学。
• 通过单一、可解析处理的机制，解释链接权重、度和节点强度中幂律分布的出现。
• 通过调节单一参数 $ c $，证明该模型能够再现真实社交网络（包括合作者网络和电子邮件网络）的统计特性。
• 为研究加权网络上的动力学过程（如流行病和振荡器）提供理论框架，通过精确推导统计特性。

提出的方法

• 网络通过每次增加一个节点生长，新节点根据其强度 $ s_i $ 以概率 $ s_i / \bar{s} $ 优先连接到现有节点。
• 在每个时间步，以与节点强度乘积 $ s_i s_j / \bar{s}^2 $ 成比例的概率选择 $ ct $ 对节点，若已连接则其链接权重增加 1。
• 节点 $ i $ 与 $ j $ 之间的链接权重演化遵循微分方程 $ \partial w / \partial t = 2ct \cdot s_i s_j / \bar{s}^2 $，其中 $ \bar{s} = \int_0^t s(v,t) dv $。
• 该模型对节点年龄 $ u $ 使用连续近似，导出权重矩阵的闭式解：$ w(u_1,u_2,t) = (2+ct)^2 / \sqrt{u_1 u_2 (2+cu_1)^3 (2+cu_2)^3} $。
• 链接权重分布推导为：当 $ cu \gg 1 $ 时 $ P(w) \sim w^{-3/2} $，当 $ cu \ll 1 $ 时 $ P(w) \sim w^{-3} $，其中归一化常数为 $ C $。
• 通过在所有其他节点上积分 $ w(u,v,t) $ 得到节点强度 $ s(u,t) $，满足 $ s(u,t) = \int_0^t w(u,v,t) dv $。

实验结果

研究问题

• RQ1 如何构建一种加权无标度网络，使得链接权重的增长独立于节点的连接？
• RQ2 何种解析条件可导致此类网络中度、权重和强度的幂律分布？
• RQ3 该模型能否再现真实世界社交网络（如合作者网络和电子邮件网络）的统计特性？
• RQ4 控制参数 $ c $（控制自增长权重速率）如何影响网络的标度指数？
• RQ5 在权重通过强度驱动优先连接增长的网络中，节点强度与链接权重分布之间存在何种关系？

主要发现

• 该模型在 $ cu \gg 1 $ 时产生指数约为 $ w^{-3/2} $ 的链接权重幂律分布，在 $ cu \ll 1 $ 时产生指数约为 $ w^{-3} $ 的分布，且可精确解析推导。
• 度分布遵循指数约为 $ \gamma \approx 3 $ 的幂律，与经验的无标度网络一致。
• 对于大 $ c $，节点强度与度的关系为 $ k \propto s^{1/2} $，表明存在次线性但非平凡的关系。
• 在合作者网络中，估计参数 $ c = 1.5 \times 10^{-4} $ 生成的网络统计特性与真实数据匹配，包括总强度 $ 1.75 \times 10^6 $。
• 电子邮件网络中 $ c $ 较大，其度指数约为 1.8，在模型理论边界值 1.5 和 2 之间，证实了与实证数据的拟合。
• 该模型的可解析处理特性使得能够精确推导统计特性，因此适用于研究加权网络上的动力学过程（如流行病和振荡器）。