[论文解读] Threshold and hitting time for high-order connectivity in random hypergraphs

Oliver Cooley, Mihyun Kang+1 more|arXiv (Cornell University)|Feb 25, 2015

Limits and Structures in Graph Theory参考文献 5被引用 4

一句话总结

本文证明，在随机 $k$-均匀超图中，当最后一个孤立 $j$-集消失时，超图恰好达到 $j$-连通性，将经典的图连通性命中时间结果推广至高阶连通性。通过二项式与均匀随机超图模型，作者证明了对于 $1 \leq j \leq k-1$ 且 $k \geq 3$，$j$-连通性与孤立 $j$-集的消失在高概率下紧密耦合。该结果将命中时间现象从图推广至基于边之间至少有 $j$ 个重叠顶点的 $j$-集路径的超图，采用广义连通性定义。

ABSTRACT

We consider the following definition of connectivity in $k$-uniform hypergraphs: Two $j$-sets are $j$-connected if there is a walk of edges between them such that two consecutive edges intersect in at least $j$ vertices. We determine the threshold at which the random $k$-uniform hypergraph with edge probability $p$ becomes $j$-connected with high probability. We also deduce a hitting time result for the random hypergraph process -- the hypergraph becomes $j$-connected at exactly the moment when the last isolated $j$-set disappears. This generalises well-known results for graphs.

研究动机与目标

• 将图连通性的经典命中时间结果推广至随机 $k$-均匀超图中的高阶连通性。
• 通过边之间至少有 $j$ 个顶点重叠的 $j$-集路径，定义并分析超图中的 $j$-连通性。
• 建立最后一个孤立 $j$-集消失是 $j$-连通性的精确阈值，且高概率成立。
• 使用总变差距离与渐近耦合技术，连接二项式与均匀随机超图模型的结果。

提出的方法

• 将 $k$-均匀超图中的 $j$-连通性定义为：任意两个 $j$-集之间存在一条路径，其中连续边至少共享 $j$ 个顶点。
• 使用随机超图过程 $\mathcal{H}^k(n,M)$ 和二项式模型 $\mathcal{H}^k(n,p)$，研究当 $n \to \infty$ 时的渐近行为。
• 应用二阶矩法与子图计数，对大小为 $r$ 的 $j$-连通分量的期望数量进行上界估计，表明其在小 $r$ 和大 $r$ 时趋于零。
• 构造一个结构良好的子图 $H$，其 $j$-大小为 $\omega_1 = o(\log n)$，用于分析连通分量之间的非边，使用双重计数与边独立性。
• 利用总变差距离，将二项式模型中的结果转移到均匀模型中，确保渐近等价性。
• 应用马尔可夫不等式与对 $M$ 的并集界，表明在最后一个孤立 $j$-集被移除后，高概率下不存在第二个非平凡 $j$-连通分量。

实验结果

研究问题

• RQ1 在随机 $k$-均匀超图中，$j$-连通性的命中时间是否与最后一个孤立 $j$-集的消失时间一致，其中 $1 \leq j \leq k-1$ 且 $k \geq 3$？
• RQ2 在二项式模型 $\mathcal{H}^k(n,p)$ 中，$j$-连通性出现的阈值概率 $p$ 是多少？
• RQ3 在 $j$-连通性阈值与命中时间方面，二项式与均匀随机超图模型之间有何比较？
• RQ4 在连通分量分离存在的情况下，能否通过子图计数与非边估计技术控制 $j$-连通分量的结构？
• RQ5 在随机超图中，孤立 $j$-集的缺失是否为 $j$-连通性的必要且充分条件？

主要发现

• 在随机超图过程 $\mathcal{H}^k(n,M)$ 中，$j$-连通性的命中时间与最后一个孤立 $j$-集消失的时间 $\tau_i$ 一致，即高概率下 $\tau_c = \tau_i$。
• 当 $p = \frac{j\log n + s\log\log n + c_n}{\binom{n}{k-j}}$ 且 $c_n = o(\log n)$ 时，度数为 $s$ 的 $j$-集数量在分布上收敛于泊松随机变量。
• 大小为 $r$ 的 $j$-连通分量的期望数量被上界控制为 $n^{-4rj/7}$，其中 $r \leq \omega_1 = o(\log n)$，且对更大的 $r$ 呈指数衰减，表明高概率下不存在非平凡连通分量。
• 二项式模型与均匀模型之间的总变差距离足够小，可将 $j$-连通性结果从 $\mathcal{H}^k(n,p)$ 传递至 $\mathcal{H}^k(n,M)$。
• 高概率下，当 $M = \Theta(n^j \log n)$ 时，$\mathcal{H}^k(n,M)$ 仅存在一个非平凡 $j$-连通分量，证实了阈值行为。
• 对所有 $M$ 的并集界表明，在任意时刻存在第二个 $j$-连通分量的概率为 $o(1)$，支持了命中时间等价性。