Contenu connexe
Similaire à Complex network-reading 7
Similaire à Complex network-reading 7 (18)
Complex network-reading 7
- 2. 成長しないネットワークモデル
第6章では主にネットワークにエッジを持った
ノードが逐次加入してくるようなモデルを考え
た
例えばWWWにおいて新規にWebページが作成され
既存のページにリンクを貼ったり、貼られたりと
いった関係を表している
本章ではネットワークのノードが固定されたモ
デルを考える
例えば学校のクラス内の人間関係のネットワークが
相当する(転校などがなければ基本的にクラス内の
ノードは固定されたものになる)
- 3. 本章で扱うモデルの仮定
ネットワークの枝の切り替えは考えない
例えばクラスの人間関係ネットワークでは新た
に交友関係が生まれることも考えられるが、こ
こではこれは考慮しない
理由としては解析がしやすいというのがある
- 4. 今日の話
7.1から7.3の3つのネットワークモデルにつ
いて紹介する
7.4は微妙に6章の話が入ってるので次回
- 5. 7.1 コンフィグモデル
頂点数Nを固定する
𝑁−1
次数分布𝑃 = 𝑝 𝑘 𝑘=0 を考える
各ノードの次数を𝑃から発生させ、N個の次
数𝑘1 , … , 𝑘 𝑁 を得る
各頂点の次数が与えられた次数と一致する
ようにネットワークを作成する
- 7. 次数からのネットワークの作成
与えられた次数からネットワークを作成す
るにはHavel-Hakimiのアルゴリズムが利用
できる
http://en.wikipedia.org/wiki/Degree_(graph_theor
y)
これは次数の大きいノードから次に次数が大き
いノードに対して貪欲にエッジを貼っていくア
ルゴリズムである
このアルゴリズムにより与えられた次数を持つ
ネットワークが存在する場合は必ず構成できる
- 9. コンフィグモデルの平均距離
𝑁 → ∞で< 𝑘 2 >が存在するとき
𝑁
log
<𝑘>
𝐿 =1+ <𝑘 2 >−<𝑘>
log <𝑘>
また次数分布がスケールフリーで𝑝 𝑘 ∝
𝑘 −𝛾 のとき
𝐿 = log log 𝑁 (2 < 𝛾 < 3)
𝐿 = log 𝑁 / log log 𝑁 (𝛾 = 3)
𝐿 = log 𝑁 (𝛾 > 3)
- 10. コンフィグモデルのクラスタ係数
ランダムグラフと同様に頂点𝑣の2つの隣接点𝑣 ′ , 𝑣′′を考
えた時に2頂点の間に枝が張られる確率がクラスタ係数に
なる
今𝑣′の次数を𝑘′, 𝑣′′の次数を𝑘′′とすると𝑘 ′ − 1本の枝のう
′ 𝑘 ′′ −1
ちどれか一本が𝑣′′につながる確率は約(𝑘 −1)
<𝑘>𝑁
𝑘′ 𝑝 𝑘′
また(2.7)式より𝑣′の次数が𝑘′である確率は , 𝑣′′の次
<𝑘>
𝑘 ′′ 𝑝 𝑘 ′′
数が𝑘′′である確率は
<𝑘>
これを𝑘 ′ , 𝑘′′に渡って平均すると
2
<𝑘 2 >−<𝑘>
𝐶=
<𝑘>3 𝑁
- 11. コンフィグモデルのクラスタ係数
<𝑘>
次数分布がポアソン分布の場合𝐶 = とな
𝑁
りランダムグラフの結果と一致する
スケールフリーの場合はCはやや大きくなる
が、𝑁 −1 の項があり小さいと思って良い
- 14. 作り方
次数分布{𝑝 0 , 𝑝 1 , … }を決める
孤立点は無いものとするので𝑝 0 = 0
頂点𝑣1 をおき、 𝑣1 の次数𝑘1 を確率𝑝(𝑘1 )で決
める
𝑣1 の頂点から𝑘1 本の枝をつなぎ、それぞれ
の枝の先に新しい頂点をおく
それぞれの頂点の先に(決められた次数-1)本
の枝をおき、再帰的に木を構成する
- 15. ゴルドンワトソン過程
個体の繁殖など表すモデルでゴルドンワト
ソン過程があり、これは一般の次数を持つ
木とほぼ同じである
1. 1個体が何個体かの子を産んで死ぬ
2. 生まれた子は次世代の親となり、やはり
何個体か産んで死ぬ
3. 次の世代が子を産み、同様の過程を繰り
返す
これからでる系譜図が木に対応する
- 16. 集団の発展
ゴルドンワトソン過程においての関心とし
ては世代を経ていくうちに集団が生き残る
かどうかである
∑ 𝑘 − 1 𝑝 𝑘 > 1となるときに限って集団は
生き残りうる
ネットワークの話題に戻ると平均次数< 𝑘 >
が2より大きければ一般の次数分布をもつ木
は無限に遠くまで広がりうる
- 17. 7.3 GohモデルとChung-Luモ
デル
Gohモデルの作り方は以下のようになる
1. 頂点数𝑁と平均次数< 𝑘 >を決める
2. 頂点𝑣 𝑖 に重み𝑤 𝑖 = 𝑖 −𝛼 (1 ≤ 𝑖 ≤ 𝑁)を割り当て
る
3. 𝑁頂点の中から𝑤 𝑖 に比例する確率で頂点𝑣 𝑖 , 𝑣 𝑗
を選択する
4. 𝑣 𝑖 , 𝑣 𝑗 がまだ隣接していないなら2つをつなげ
る
5. ステップ3,4を枝が合計< 𝑘 > 𝑁/2本になる
まで繰り返す
- 18. Gohモデルの特徴
𝑣 𝑖 の次数𝑘 𝑖 はステップ3で𝑣 𝑖 が選ばれる確率
に比例し
𝑘 𝑖 ∝ 𝑝 𝑖 ∝ 𝑖 −𝛼
これと(2.1.3)より次数分布はべき則
1
𝑝 𝑘 ∝ 𝑘 −𝛾 , 𝛾 =1+ となる
𝛼
Lは小さく、Cも小さい
また次数相関は負になる
これはハブに枝が集中しやすいことからである
- 19. Chung-Luモデル
Gohモデル同様に各頂点は𝑤 𝑖 をもち、𝑣 𝑖 , 𝑣 𝑗
𝑤𝑖 𝑤𝑗
を確率∑ でつなぐ
𝑙 𝑤𝑙
Gohモデルよりも数学的に解析しやすい
確率は1以下になると仮定する
𝑤𝑖 𝑤 𝑗
Gohモデルでは約 2 となっていた
∑𝑙 𝑤𝑙
- 20. Chung-LuモデルにおけるL
コンフィグモデルと同様に次数がべき分布
のとき
𝐿 = log log 𝑁 (2 < 𝛾 < 3)
𝐿 = log 𝑁 / log log 𝑁 (𝛾 = 3)
𝐿 = log 𝑁 (𝛾 > 3)
- 21. 隣接行列の固有値
Chung-Luモデルにおける固有値の分布もべ
き則に従うことが知られている
𝜌 𝜆 ∝ 𝜆−2𝛾−1
Gohモデルについても、レプリカ法という
手法によって同様の式が成り立つことが知
られている