[论文解读] The Quantum Theil Index: Characterizing Graph Centralization using von Neumann Entropy

David E. Simmons, Justin P. Coon+1 more|arXiv (Cornell University)|Jul 25, 2017

Quantum Computing Algorithms and Architecture参考文献 29被引用 5

一句话总结

本文提出了冯·诺依曼泰尔指数（von Neumann Theil index），这是一种新颖的度量方法，通过图的迹归一化组合拉普拉斯矩阵的冯·诺依曼熵，对用于量化中心化的图的泰尔指数（Theil index）进行上界约束。该方法提供了一种基于熵的宏观图中心化表征，相较于经典度量方法，对结构变化更为敏感。

ABSTRACT

We show that the von Neumann entropy (from herein referred to as the von Neumann index) of a graph's trace normalized combinatorial Laplacian provides structural information about the level of centralization across a graph. This is done by considering the Theil index, which is an established statistical measure used to determine levels of inequality across a system of `agents', e.g., income levels across a population. Here, we establish a Theil index for graphs, which provides us with a macroscopic measure of graph centralization. Concretely, we show that the von Neumann index can be used to bound the graph's Theil index, and thus we provide a direct characterization of graph centralization via the von Neumann index. Because of the algebraic similarities between the bound and the Theil index, we call the bound the von Neumann Theil index. %From an information theoretic perspective, the von Neumann Theil index describes the mutual information between the quantum state corresponding to a graph and the maximally mixed state (which corresponds to the complete graph). We elucidate our ideas by providing examples and a discussion of different $n=7$ vertex graphs. We also discuss how the von Neumann Theil index provides a more comprehensive measure of centralization when compared to traditional centralization measures, and when compared to the graph's classical Theil index. This is because it more accurately accounts for macro-structural changes that occur from micro-structural changes in the graph (e.g., the removal of a vertex). Finally, we provide future direction, showing that the von Neumann Theil index can be generalized by considering the Rényi entropy. We then show that this generalization can be used to bound the negative logarithm of the graph's Jain fairness index.

研究动机与目标

• 建立图的拉普拉斯矩阵的冯·诺依曼熵与衡量不平等的标准指标——泰尔指数之间的联系。
• 开发一种新的图中心化宏观度量方法，其对微观结构变化的响应能力优于传统中心性度量。
• 证明冯·诺依曼指数可对图的泰尔指数进行上界约束，从而定义“冯·诺依曼泰尔指数”。
• 通过Rényi熵推广该方法，并揭示其与公平性度量（如Jain指数）的关系。
• 通过整合量子信息理论概念，提供对图中心化的更全面、更稳健的表征。

提出的方法

• 在n个顶点的图上定义相对度分布，为每个顶点分配与其度成比例的权重。
• 利用该分布为图构建泰尔指数，以量化顶点度的不平等性，解释为图的中心化程度。
• 使用迹归一化的组合拉普拉斯矩阵的冯·诺依曼熵作为图的泰尔指数的上界。
• 将冯·诺依曼泰尔指数定义为 $ T_Q(G) = \log n - H(G) $，其中 $ H(G) $ 为归一化拉普拉斯矩阵的冯·诺依曼熵。
• 通过Rényi熵阶 $ p $ 推广该指数，定义 $ T_Q^{(p)}(G) = \log n - H^{(p)}(G) $，其中 $ H^{(p)} $ 为归一化拉普拉斯矩阵的Rényi-p阶熵。
• 证明 $ T_Q^{(2)}(G) \geq -\log \mathcal{J}(d_1, \dots, d_n) $，将推广后的指数与Jain公平性指数关联。

实验结果

研究问题

• RQ1 图的迹归一化组合拉普拉斯矩阵的冯·诺依曼熵是否可用于约束图的泰尔指数，从而实现对中心化的量化？
• RQ2 冯·诺依曼泰尔指数在捕捉因顶点删除或边修改引起的结构变化方面，与经典中心化度量相比表现如何？
• RQ3 冯·诺依曼泰尔指数是否可基于Rényi熵进行推广？其与公平性度量（如Jain指数）之间存在何种关系？
• RQ4 冯·诺依曼泰尔指数是否比经典泰尔指数提供更准确、更全面的图中心化度量？
• RQ5 量子信息理论概念在表征复杂网络中如中心化等宏观结构特性方面发挥何种作用？

主要发现

• 图的迹归一化组合拉普拉斯矩阵的冯·诺依曼指数为图的泰尔指数提供了上界，从而可定义一种新的中心化度量。
• 由此得到的上界被称为冯·诺依曼泰尔指数，定义为 $ T_Q(G) = \log n - H(G) $，其中 $ H(G) $ 为归一化拉普拉斯矩阵的冯·诺依曼熵。
• 冯·诺依曼泰尔指数对微结构变化（如顶点删除）的敏感性高于传统中心化度量，提供了更全面的表征。
• 基于Rényi熵阶 $ p $ 的广义冯·诺依曼泰尔指数 $ T_Q^{(p)}(G) $ 随 $ p $ 单调递增，且 $ T_Q(G) = \lim_{p \to 1} T_Q^{(p)}(G) $。
• 当 $ p = 2 $ 时，广义指数满足 $ T_Q^{(2)}(G) \geq -\log \mathcal{J}(d_1, \dots, d_n) $，表明其与Jain公平性指数相关，验证了其在网络资源分配公平性中的相关性。
• 该方法在 $ n = 7 $ 个顶点的图上得到验证，结果表明冯·诺依曼泰尔指数能一致地按中心化水平对图进行排序，证实了其经验有效性。