[论文解读] Simple and accurate analytical calculation of shortest path lengths

Sergey Melnik, James P. Gleeson|arXiv (Cornell University)|Apr 19, 2016

Complex Network Analysis Techniques被引用 4

一句话总结

本文提出了一种简单且精确的解析方法，通过类比易感-感染流行病模型，计算无权无向网络中最短路径长度的分布。通过将感染传播建模为离散时间过程，该方法仅利用网络的度分布或度-度联合分布，即可高精度预测节点间距离，优于现有解析方法在合成网络和真实网络中的表现。

ABSTRACT

We present an analytical approach to calculating the distribution of shortest paths lengths (also called intervertex distances, or geodesic paths) between nodes in unweighted undirected networks. We obtain very accurate results for synthetic random networks with specified degree distribution (the so-called configuration model networks). Our method allows us to accurately predict the distribution of shortest path lengths on real-world networks using their degree distribution, or joint degree-degree distribution. Compared to some other methods, our approach is simpler and yields more accurate results. In order to obtain the analytical results, we use the analogy between an infection reaching a node in $n$ discrete time steps (i.e., as in the susceptible-infected epidemic model) and that node being at a distance $n$ from the source of the infection.

研究动机与目标

• 开发一种计算高效的解析方法，用于预测复杂网络中最短路径长度的分布。
• 克服数值方法在大规模网络中计算成本过高的局限性。
• 改进现有解析近似方法，这些方法通常精度不足，尤其在具有度相关性或度分布异质性的网络中。
• 仅利用度分布或度-度联合分布，即可实现对真实网络中最短路径统计量的精确预测。

提出的方法

• 该方法利用易感-感染流行病模型中感染到达某节点所需时间与从源节点出发的最短路径长度之间的类比关系。
• 将感染传播建模为离散时间过程，其中每个时间步中，感染节点会将感染传播给所有易感邻居。
• 使用 ρₙ 表示节点在时间 n 被感染的概率，通过 Dₙ = ρₙ − ρₙ₋₁ 计算距离分布。
• 对于具有任意度分布的网络，该方法基于度分布 pₖ 和度-度联合分布 P(k,k′) 推导出 ρₙᵏ 和 qₙᵏ 的递归方程。
• 通过在递归方程中引入度-度联合分布 P(k,k′)，该方法能够考虑度相关性的影响。
• 对于包含度为1的节点的真实网络，采用校正后的度分布 pₖʳᵉᶜ 来修正最大连通分量（GCC）中的有限尺寸效应，从而提高预测精度。

实验结果

研究问题

• RQ1 是否可以仅利用度分布，高精度地解析预测无权无向网络中最短路径长度的分布？
• RQ2 流行病类比如何在无需完整数值计算的情况下，实现对节点间距离的高精度解析预测？
• RQ3 度相关性和度为1的节点存在对解析预测精度的影响程度如何？
• RQ4 校正后的度分布能否提升对具有有限尺寸GCC的真实网络的解析预测精度？

主要发现

• 所提出的方法在具有指定度分布的配置模型网络中，预测最短路径长度分布的精度高于现有解析方法。
• 该方法仅利用真实网络的度分布或度-度联合分布，无需完整网络拓扑信息，即可准确预测最短路径长度分布。
• 流行病类比提供了一种简单且可扩展的解析框架，避免了数值全对最短路径算法 O(mN + N²log N) 的复杂度。
• 对于包含度为1节点的真实网络，使用校正后的度分布 pₖʳᵉᶜ 显著提高了预测精度，通过校正GCC大小效应实现。
• 该方法表明，ρₙᵏ 和 qₙᵏ 可基于已知的度统计量 pₖ 和 P(k,k′) 递归计算，从而实现对所有已知度统计量网络类型的 Dₙ 的解析计算。
• 数值验证表明，使用 pₖʳᵉᶜ 的预测结果与直接数值计算的最短路径分布高度吻合，尤其在度分布异质性较强的网络中表现更优。