กลับไปหน้าบทความ

อ่าน 17 นาที

กราฟอน

ใน ทฤษฎีกราฟ และ สถิติ กราฟอน ( หรือที่เรียกว่า ลิมิตกราฟ ) คือฟังก์ชัน สมมาตร ที่วัด ได้ ว : [ 0 , 1 ] 2 → [ 0 , 1 ] {\displaystyle W:[0,1]^{2}\ถึง [0,1]}...

กราฟอน

ภาพแสดงการสร้างกราฟสุ่มแบบแลกเปลี่ยนได้ ซึ่งกำหนดโดยกราฟอนกราฟอนแสดงเป็นแผนที่ความร้อนสีม่วงแดง (ด้านล่างขวา) กราฟสุ่มขนาดn{\displaystyle n}สร้างขึ้นโดยการกำหนดค่าให้กับแต่ละจุดยอดอย่างอิสระเค{1,,n}{\displaystyle k\in \{1,\dotsc ,n\}}ตัวแปรสุ่มแฝง ยูเค~ยู(0,1){\displaystyle U_{k}\sim \mathrm {U} (0,1)}(ค่าต่างๆ ตามแกนตั้ง) และรวมถึงขอบแต่ละด้านด้วย(เค,){\displaystyle (k,\ell )}โดยอิสระด้วยความน่าจะเป็นเอฟ(ยูเค,ยู){\displaystyle f(U_{k},U_{\ell })}ตัวอย่างเช่น ขอบ(3,5){\displaystyle (3,5)}(เส้นสีเขียวประ) มีอยู่ด้วยความน่าจะเป็น เอฟ(0.72,0.9){\displaystyle f(0.72,0.9)}ช่องสีเขียวในสี่เหลี่ยมด้านขวาแสดงถึงค่าของ(คุณ3,คุณ5){\displaystyle (u_{3},u_{5})}และ(คุณ5,คุณ3){\displaystyle (u_{5},u_{3})}แผงด้านบนซ้ายแสดงการสร้างกราฟในรูปแบบเมทริกซ์ประชิด

ในทฤษฎีกราฟและสถิติกราฟอน ( หรือที่เรียกว่าลิมิตกราฟ ) คือฟังก์ชันสมมาตรที่วัด ได้:[0,1]2[0,1]{\displaystyle W:[0,1]^{2}\ถึง [0,1]}ซึ่งเป็นสิ่งสำคัญในการศึกษากราฟหนาแน่นกราฟอนเกิดขึ้นทั้งในฐานะแนวคิดตามธรรมชาติสำหรับลิมิตของลำดับของกราฟหนาแน่น และในฐานะวัตถุพื้นฐานที่กำหนด แบบจำลองกราฟสุ่ม ที่แลกเปลี่ยนได้กราฟอนมีความเชื่อมโยงกับกราฟหนาแน่นโดยข้อสังเกตสองประการต่อไปนี้: แบบจำลองกราฟสุ่มที่กำหนดโดยกราฟอนก่อให้เกิดกราฟหนาแน่นเกือบแน่นอนและโดยทฤษฎีบทความสม่ำเสมอกราฟอนสามารถจับโครงสร้างของกราฟหนาแน่นขนาดใหญ่ใดๆ ก็ได้

การกำหนดสูตรทางสถิติ

กราฟอนคือฟังก์ชันสมมาตรที่วัดได้:[0,1]2[0,1]{\displaystyle W:[0,1]^{2}\ถึง [0,1]}โดยทั่วไปแล้ว กราฟอนจะถูกเข้าใจว่าเป็นการกำหนดแบบจำลองกราฟสุ่มที่แลกเปลี่ยนได้ตามแผนผังดังต่อไปนี้:

  1. จุดยอดแต่ละจุดเจ{\displaystyle j}ค่าสุ่มอิสระของกราฟจะถูกกำหนดค่าให้กับแต่ละค่าคุณเจ~ยู[0,1]{\displaystyle u_{j}\sim U[0,1]}
  2. ขอบ(ฉัน,เจ){\displaystyle (i,j)}ถูกรวมอยู่ในกราฟโดยอิสระด้วยความน่าจะเป็น(คุณฉัน,คุณเจ){\displaystyle W(u_{i},u_{j})}.

แบบจำลองกราฟสุ่มจะเป็นแบบจำลองกราฟสุ่มที่แลกเปลี่ยนได้ก็ต่อเมื่อสามารถกำหนดได้ในรูปของกราฟอน (ซึ่งอาจเป็นแบบสุ่ม) ในลักษณะนี้ แบบจำลองที่อิงตามกราฟอนคงที่{\displaystyle W}บางครั้งจะใช้สัญลักษณ์แทนจี(n,){\displaystyle \mathbb {G} (n,W)}โดยเปรียบเทียบกับ แบบจำลอง Erdős–Rényiของกราฟสุ่ม กราฟที่สร้างขึ้นจากกราฟอน{\displaystyle W}ด้วยวิธีนี้เรียกว่า{\displaystyle W}-กราฟแบบสุ่ม

จากนิยามนี้และ กฎของจำนวนมากจึงสรุปได้ว่า ถ้า0{\displaystyle W\neq 0}แบบจำลองกราฟสุ่มที่แลกเปลี่ยนได้นั้นมีความหนาแน่นเกือบแน่นอน[ 1 ]

ตัวอย่าง

ตัวอย่างที่ง่ายที่สุดของกราฟอนคือ(x,y)พี{\displaystyle W(x,y)\equiv p}สำหรับค่าคงที่บางค่าพี[0,1]{\displaystyle p\in [0,1]}ในกรณีนี้ แบบจำลองกราฟสุ่มที่แลกเปลี่ยนได้ที่เกี่ยวข้องคือแบบจำลองErdős–Rényiจี(n,พี){\displaystyle G(n,p)}ซึ่งรวมถึงขอบแต่ละด้านอย่างอิสระด้วยความน่าจะเป็นพี{\displaystyle p}.

หากเราเริ่มต้นด้วยกราฟอนที่มีค่าคงที่แบบเป็นช่วงๆ ดังนี้:

  1. การแบ่งสี่เหลี่ยมจัตุรัสหน่วยออกเป็นเค×เค{\displaystyle k\times k}บล็อก และ
  2. การตั้งค่า{\displaystyle W}เท่ากับพี{\displaystyle p_{lm}}บน(,)ไทย{\displaystyle (\ell ,m)^{\text{th}}}ปิดกั้น,

แบบจำลองกราฟสุ่มแบบแลกเปลี่ยนได้ที่ได้นั้นคือเค{\displaystyle k}แบบจำลองบล็อกสุ่ม ชุมชน (Community Stochastic Block Model ) เป็นการขยายความของแบบจำลอง Erdős–Rényi เราสามารถตีความได้ว่าเป็นแบบจำลองกราฟสุ่มที่ประกอบด้วยเค{\displaystyle k}กราฟErdős–Rényi ที่แตกต่างกันพร้อมพารามิเตอร์พี{\displaystyle p_{\ell \ell }}ตามลำดับ โดยมีบิกราฟคั่นระหว่างกัน ซึ่งแต่ละขอบที่เป็นไปได้ระหว่างบล็อก(,){\displaystyle (\ell ,\ell )}และ(,){\displaystyle (m,m)}รวมอยู่โดยอิสระด้วยความน่าจะเป็นพี{\displaystyle p_{\ell m}}.

แบบจำลองกราฟสุ่มยอดนิยมอื่นๆ อีกมากมายสามารถเข้าใจได้ว่าเป็นแบบจำลองกราฟสุ่มที่แลกเปลี่ยนได้ซึ่งกำหนดโดยกราฟอนบางประเภท การสำรวจโดยละเอียดรวมอยู่ใน Orbanz และ Roy [ 1 ]

เมทริกซ์ประชิดที่แลกเปลี่ยนร่วมกันได้

กราฟสุ่มขนาดn{\displaystyle n}สามารถแสดงได้ในรูปสุ่มn×n{\displaystyle n\times n}เมทริกซ์ประชิดเพื่อให้เกิดความสอดคล้อง (ในแง่ของความเป็นโปรเจคทีฟ ) ระหว่างกราฟสุ่มที่มีขนาดต่างกัน จึงเป็นเรื่องธรรมชาติที่จะศึกษาลำดับของเมทริกซ์ประชิดที่เกิดขึ้นจากมุมบนซ้ายn×n{\displaystyle n\times n}เมทริกซ์ย่อยของอาร์เรย์อนันต์ของตัวแปรสุ่ม ซึ่งทำให้เราสามารถสร้างเมทริกซ์ย่อยเหล่านี้ได้จีn{\displaystyle G_{n}}โดยการเพิ่มโหนดเข้าไปจีn1{\displaystyle G_{n-1}}และการสุ่มตัวอย่างขอบ(เจ,n){\displaystyle (j,n)}สำหรับเจ<n{\displaystyle j<n}จากมุมมองนี้ กราฟสุ่มจึงถูกนิยามว่าเป็นอาร์เรย์สมมาตรอนันต์แบบสุ่ม(Xฉันเจ){\displaystyle (X_{ij})}.

เนื่องจากลำดับที่สลับเปลี่ยนได้ มีความสำคัญอย่างยิ่ง ในความน่าจะเป็นแบบคลาสสิก จึงเป็นเรื่องธรรมชาติที่จะมองหาแนวคิดที่คล้ายคลึงกันในบริบทของกราฟสุ่ม แนวคิดหนึ่งดังกล่าวคือเมทริกซ์ที่สลับเปลี่ยนได้ร่วมกัน กล่าวคือ เมทริกซ์สุ่มที่สอดคล้องกับเงื่อนไข

(Xฉันเจ) =(Xσ(ฉัน)σ(เจ)){\displaystyle (X_{ij})\ {\overset {d}{=}}\,(X_{\sigma (i)\sigma (j)})}

สำหรับการเรียงสับเปลี่ยนทั้งหมดσ{\displaystyle \sigma }ของจำนวนธรรมชาติ โดยที่={\displaystyle {\overset {d}{=}}}หมายถึงการกระจายตัวที่เท่าเทียมกันโดยสัญชาตญาณแล้ว เงื่อนไขนี้หมายความว่าการกระจายตัวของกราฟสุ่มจะไม่เปลี่ยนแปลงไปเมื่อมีการกำหนดป้ายกำกับใหม่ให้กับจุดยอด นั่นคือ ป้ายกำกับของจุดยอดไม่ได้ให้ข้อมูลใดๆ

มีทฤษฎีบทการแสดงแทนสำหรับเมทริกซ์ประชิดแบบสุ่มที่แลกเปลี่ยนร่วมกันได้ ซึ่งคล้ายคลึงกับทฤษฎีบทการแสดงแทนของเดอ ฟิเน็ตติสำหรับลำดับที่แลกเปลี่ยนได้ นี่เป็นกรณีพิเศษของทฤษฎีบทอัลดัส-ฮูเวอร์สำหรับอาร์เรย์ที่แลกเปลี่ยนร่วมกันได้ และในบริบทนี้ ยืนยันว่าเมทริกซ์สุ่ม(Xฉันเจ){\displaystyle (X_{ij})}สร้างโดย:

  1. ตัวอย่างคุณเจ~ยู[0,1]{\displaystyle u_{j}\sim U[0,1]}โดยอิสระ
  2. Xฉันเจ=Xเจฉัน=1{\displaystyle X_{ij}=X_{ji}=1}โดยอิสระแบบสุ่มด้วยความน่าจะเป็น(คุณฉัน,คุณเจ),{\displaystyle W(u_{i},u_{j}),}

ที่ไหน:[0,1]2[0,1]{\displaystyle W:[0,1]^{2}\to [0,1]}เป็นกราฟอน (ซึ่งอาจเป็นแบบสุ่ม) กล่าวคือ แบบจำลองกราฟแบบสุ่มจะมีเมทริกซ์ประชิดที่แลกเปลี่ยนร่วมกันได้ก็ต่อเมื่อเป็นแบบจำลองกราฟแบบสุ่มที่แลกเปลี่ยนร่วมกันได้ซึ่งกำหนดขึ้นโดยใช้กราฟอนบางตัว

การประมาณค่ากราฟอน

เนื่องจากปัญหาเรื่องความสามารถในการระบุตัวตน จึงเป็นไปไม่ได้ที่จะประมาณค่าฟังก์ชันกราฟอน{\displaystyle W}หรือตำแหน่งแฝงของโหนดคุณฉัน,{\displaystyle u_{i},}และมีแนวทางหลักสองประการในการประมาณค่ากราฟอน แนวทางหนึ่งมุ่งเน้นไปที่การประมาณค่า{\displaystyle W}จนถึงชั้นสมมูล[ 2 ] [ 3 ]หรือประมาณเมทริกซ์ความน่าจะเป็นที่เกิดจาก{\displaystyle W}[ 4 ] [ 5 ]

การกำหนดสูตรเชิงวิเคราะห์

กราฟใดๆ บนn{\displaystyle n}จุดยอด{1,2,,n}{\displaystyle \{1,2,\dots ,n\}}สามารถระบุได้ด้วยเมทริกซ์ประชิดเอจี{\displaystyle A_{G}}เมทริกซ์นี้สอดคล้องกับฟังก์ชันขั้นบันไดจี:[0,1]2[0,1]{\displaystyle W_{G}:[0,1]^{2}\to [0,1]}กำหนดโดยการแบ่งส่วน[0,1]{\displaystyle [0,1]}แบ่งเป็นช่วงๆ ฉัน1,ฉัน2,,ฉันn{\displaystyle I_{1},I_{2},\dots ,I_{n}}โดยที่ฉันเจ{\displaystyle I_{j}}มีภายใน (เจ1n,เจn){\displaystyle \left({\frac {j-1}{n}},{\frac {j}{n}}\right)} และสำหรับแต่ละคน(x,y)ฉันฉัน×ฉันเจ{\displaystyle (x,y)\in I_{i}\times I_{j}}การตั้งค่าจี(x,y){\displaystyle W_{G}(x,y)}เท่ากับ (ฉัน,เจ)ไทย{\displaystyle (i,j)^{\text{th}}} การเข้าของเอจี{\displaystyle A_{G}}ฟังก์ชันนี้จี{\displaystyle W_{G}}คือกราฟอนที่เกี่ยวข้องกับกราฟจี{\displaystyle G}.

โดยทั่วไป ถ้าเรามีลำดับของกราฟ(จีn){\displaystyle (G_{n})}โดยที่จำนวนจุดยอดของจีn{\displaystyle G_{n}}เมื่อลำดับมีค่าเข้าสู่อนันต์ เราสามารถวิเคราะห์พฤติกรรมลิมิตของลำดับได้โดยพิจารณาจากพฤติกรรมลิมิตของฟังก์ชัน(จีn){\displaystyle (W_{G_{n}})}หากกราฟเหล่านี้ลู่เข้า (ตามนิยามการลู่เข้า ที่เหมาะสม ) เราคาดว่าลิมิตของกราฟเหล่านี้จะสอดคล้องกับลิมิตของฟังก์ชันที่เกี่ยวข้องเหล่านั้น

สิ่งนี้เป็นแรงจูงใจให้เกิดนิยามของกราฟอน (ย่อมาจาก "ฟังก์ชันกราฟ") ว่าเป็นฟังก์ชันสมมาตรที่วัดได้:[0,1]2[0,1]{\displaystyle W:[0,1]^{2}\to [0,1]}ซึ่งรวบรวมแนวคิดของขีดจำกัดของลำดับกราฟ ปรากฏว่าสำหรับลำดับของกราฟหนาแน่น แนวคิดการบรรจบกันที่ดูเหมือนแตกต่างกันหลายประการนั้นเทียบเท่ากัน และภายใต้แนวคิดเหล่านั้นทั้งหมด วัตถุขีดจำกัดตามธรรมชาติคือกราฟอน[ 6 ]

ตัวอย่าง

กราฟอนคงที่

พิจารณาลำดับของ(จีn){\displaystyle (G_{n})}กราฟสุ่ม Erdős–Rényiจีn=จี(n,พี){\displaystyle G_{n}=G(n,p)}โดยมีพารามิเตอร์คงที่บางอย่างพี{\displaystyle p}โดยสัญชาตญาณแล้ว เช่นเดียวกับn{\displaystyle n}เมื่อค่าของลำดับกราฟมีแนวโน้มเข้าสู่ค่าอนันต์ ลิมิตของลำดับกราฟนี้จะถูกกำหนดโดยความหนาแน่นของขอบของกราฟเหล่านั้นเท่านั้น ในปริภูมิของกราฟอน ปรากฏว่าลำดับดังกล่าวลู่เข้าสู่ค่าคงที่เกือบแน่นอน(x,y)พี{\displaystyle W(x,y)\equiv p}ซึ่งสะท้อนถึงสัญชาตญาณข้างต้น

กราฟครึ่ง

พิจารณาลำดับ(ชมn){\displaystyle (H_{n})}ของครึ่งกราฟซึ่งกำหนดโดยการนำชมn{\displaystyle H_{n}}เพื่อเป็นกราฟสองส่วนบน2n{\displaystyle 2n}จุดยอดคุณ1,คุณ2,,คุณn{\displaystyle u_{1},u_{2},\dots ,u_{n}}และวี1,วี2,,วีn{\displaystyle v_{1},v_{2},\dots ,v_{n}}โดยที่คุณฉัน{\displaystyle u_{i}}อยู่ติดกับวีเจ{\displaystyle v_{j}}เมื่อไหร่กันแน่ฉันเจ{\displaystyle i\leq j}ถ้าจุดยอดถูกระบุตามลำดับที่แสดงไว้ เมทริกซ์ประชิดจะเป็นดังนี้เอชมn{\displaystyle A_{H_{n}}}มีเมทริกซ์บล็อก "ครึ่งสี่เหลี่ยม" สองมุมที่เต็มไปด้วยเลข 1 โดยที่ค่าในช่องที่เหลือเท่ากับศูนย์ ตัวอย่างเช่น เมทริกซ์ประชิดของชม3{\displaystyle H_{3}}ได้รับจาก

[000111000011000001100000110000111000].{\displaystyle {\begin{bmatrix}0&0&0&1&1&1\\0&0&0&0&1&1\\0&0&0&0&0&1\\1&0&0&0&0&0\\1&1&0&0&0&0\\1&1&1&0&0&0\end{bmatrix}}.}

เช่นn{\displaystyle n}เมื่อมันใหญ่ขึ้น มุมเหล่านั้นก็จะ "เรียบเนียน" ขึ้น สอดคล้องกับสัญชาตญาณนี้ ลำดับจึงเป็นเช่นนั้น(ชมn){\displaystyle (H_{n})}ลู่เข้าสู่ครึ่งกราฟอน{\displaystyle W}กำหนดโดย(x,y)=1{\displaystyle W(x,y)=1}เมื่อไร|xy|1/2{\displaystyle |x-y|\geq 1/2}และ(x,y)=0{\displaystyle W(x,y)=0}มิฉะนั้น.

กราฟอนสองส่วนสมบูรณ์

พิจารณาลำดับ(เคn,n){\displaystyle (K_{n,n})}ของกราฟสองส่วนสมบูรณ์ที่มีส่วนขนาดเท่ากัน ถ้าเราเรียงลำดับจุดยอดโดยวางจุดยอดทั้งหมดในส่วนหนึ่งไว้ที่จุดเริ่มต้นและวางจุดยอดของอีกส่วนหนึ่งไว้ที่จุดสิ้นสุด เมทริกซ์ประชิดของ(เคn,n){\displaystyle (K_{n,n})}มีลักษณะเหมือนเมทริกซ์บล็อกนอกแนวทแยงมุม โดยมีบล็อกเลข 1 สองบล็อกและบล็อกเลข 0 สองบล็อก ตัวอย่างเช่น เมทริกซ์ประชิดของเค2,2{\displaystyle K_{2,2}}ได้รับจาก

[0011001111001100].{\displaystyle {\begin{bmatrix}0&0&1&1\\0&0&1&1\\1&1&0&0\\1&1&0&0\end{bmatrix}}.}

เช่นn{\displaystyle n}ยิ่งเมทริกซ์ความประชิดมีขนาดใหญ่ขึ้น โครงสร้างบล็อกของเมทริกซ์ความประชิดนี้ก็ยังคงคงที่ ดังนั้นลำดับของกราฟเหล่านี้จึงลู่เข้าสู่กราฟอนแบบ "สองส่วนสมบูรณ์"{\displaystyle W} กำหนดโดย(x,y)=1{\displaystyle W(x,y)=1}เมื่อใดก็ตามนาที(x,y)1/2{\displaystyle \min(x,y)\leq 1/2}และสูงสุด(x,y)>1/2{\displaystyle \max(x,y)>1/2}และการตั้งค่า(x,y)=0{\displaystyle W(x,y)=0}มิฉะนั้น.

ถ้าเราเรียงลำดับจุดยอดของแทนเคn,n{\displaystyle K_{n,n}}โดยการสลับส่วนต่างๆ เมทริกซ์ประชิดจะมีโครงสร้างคล้ายกระดานหมากรุกที่มีเลขศูนย์และเลขหนึ่งสลับกัน ตัวอย่างเช่น ภายใต้ลำดับนี้ เมทริกซ์ประชิดของเค2,2{\displaystyle K_{2,2}}ได้รับจาก

[0101101001011010].{\displaystyle {\begin{bmatrix}0&1&0&1\\1&0&1&0\\0&1&0&1\\1&0&1&0\end{bmatrix}}.}

เช่นn{\displaystyle n}ยิ่งมีขนาดใหญ่ขึ้น เมทริกซ์ความประชิดก็จะกลายเป็นกระดานหมากรุกที่ละเอียดขึ้นเรื่อยๆ ถึงกระนั้น เราก็ยังต้องการทราบขีดจำกัดของ(เคn,n){\displaystyle (K_{n,n})}เพื่อให้มีความเป็นเอกลักษณ์และส่งผลให้เกิดกราฟอนจากตัวอย่างที่ 3 ซึ่งหมายความว่าเมื่อเรากำหนดนิยามการลู่เข้าอย่างเป็นทางการสำหรับลำดับของกราฟ นิยามของลิมิตควรจะไม่ขึ้นอยู่กับการเปลี่ยนชื่อจุดยอด

ขีดจำกัดของกราฟสุ่ม W

เลือกลำดับแบบสุ่ม(จีn){\displaystyle (G_{n})}ของ{\displaystyle W}-กราฟแบบสุ่มโดยการวาดจีn~จี(n,){\displaystyle G_{n}\sim \mathbb {G} (n,W)}สำหรับกราฟอนคงที่บางตัว{\displaystyle W}แล้วก็เหมือนกับตัวอย่างแรกในหัวข้อนี้ ปรากฏว่า(จีn){\displaystyle (G_{n})}ลู่เข้าสู่{\displaystyle W}แทบจะแน่นอน

การกู้คืนพารามิเตอร์กราฟจากกราฟอน

กราฟที่กำหนดจี{\displaystyle G}พร้อมด้วยกราฟอนที่เกี่ยวข้อง=จี{\displaystyle W=W_{G}}เราสามารถกู้คืนคุณสมบัติและพารามิเตอร์ทางทฤษฎีกราฟของจี{\displaystyle G}โดยการบูรณาการการเปลี่ยนแปลงของ{\displaystyle W}ตัวอย่างเช่น ความหนาแน่นของขอบ (เช่น ดีกรีเฉลี่ยหารด้วยจำนวนจุดยอด) ของจี{\displaystyle G}กำหนดโดยปริพันธ์ 0101(x,y)xy.{\displaystyle \int _{0}^{1}\int _{0}^{1}W(x,y)\;\mathrm {d} x\,\mathrm {d} y.} เป็นเพราะว่า{\displaystyle W}เป็น{0,1}{\displaystyle \{0,1\}}มีค่า และแต่ละขอบ(ฉัน,เจ){\displaystyle (i,j)} ในจี{\displaystyle G} สอดคล้องกับภูมิภาคฉันฉัน×ฉันเจ{\displaystyle I_{i}\times I_{j}} ของพื้นที่1/n2{\displaystyle 1/n^{2}}ที่ไหน{\displaystyle W}เท่ากับ1{\displaystyle 1}.

เหตุผลที่คล้ายกันแสดงให้เห็นว่าความหนาแน่นของสามเหลี่ยมในจี{\displaystyle G}เท่ากับ 16010101(x,y)(y,z)(z,x)xyz.{\displaystyle {\frac {1}{6}}\int _{0}^{1}\int _{0}^{1}\int _{0}^{1}W(x,y)W(y,z)W(z,x)\;\mathrm {d} x\,\mathrm {d} y\,\mathrm {d} z.}

แนวคิดเรื่องการบรรจบกัน

มีหลายวิธีในการวัดระยะห่างระหว่างกราฟสองกราฟ หากเราสนใจเมตริกที่ "รักษา" คุณสมบัติสุดขั้วของกราฟ เราควรจำกัดความสนใจของเราไว้ที่เมตริกที่ระบุว่ากราฟแบบสุ่มมีความคล้ายคลึงกัน ตัวอย่างเช่น หากเราสุ่มเลือกกราฟสองกราฟอย่างอิสระจากแบบจำลอง Erdős–Rényiจี(n,พี){\displaystyle G(n,p)}สำหรับค่าคงที่บางค่าพี{\displaystyle p}ตามเกณฑ์การวัดที่ "สมเหตุสมผล" ระยะห่างระหว่างกราฟทั้งสองนี้ควรจะใกล้เคียงกับศูนย์ด้วยความน่าจะเป็นสูงสำหรับค่าขนาดใหญ่n{\displaystyle n}.

โดยทั่วไปแล้ว หากมีกราฟสองกราฟบนเซตจุดยอดเดียวกัน เราอาจกำหนดระยะห่างระหว่างกราฟทั้งสองเป็นจำนวนขอบที่ต้องเพิ่มหรือลบออกเพื่อให้ได้กราฟจากกราฟหนึ่งไปยังอีกกราฟหนึ่ง นั่นคือระยะห่างแบบแก้ไข (edit distance ) อย่างไรก็ตาม ระยะห่างแบบแก้ไขไม่ได้ระบุว่ากราฟที่สุ่มเลือกมานั้นคล้ายคลึงกัน ในความเป็นจริง กราฟสองกราฟที่วาดขึ้นอย่างอิสระจากเซตจุด ยอดเดียวกัน อาจไม่คล้ายคลึงกันเลยจี(n,12){\displaystyle G(n,{\tfrac {1}{2}})}มีระยะห่างการแก้ไขที่คาดหวัง (แบบปรับมาตรฐาน) เท่ากับ12{\displaystyle {\tfrac {1}{2}}}.

มีตัวชี้วัดตามธรรมชาติสองตัวที่ทำงานได้ดีกับกราฟสุ่มที่มีความหนาแน่นสูงในแบบที่เราต้องการ ตัวแรกคือตัวชี้วัดการสุ่มตัวอย่าง ซึ่งกล่าวว่ากราฟสองกราฟจะใกล้เคียงกันหากการกระจายของกราฟย่อยของกราฟทั้งสองนั้นใกล้เคียงกัน ตัวที่สองคือ ตัวชี้ วัดความคลาดเคลื่อน ของขอบ ซึ่งกล่าวว่ากราฟสองกราฟจะใกล้เคียงกันเมื่อความหนาแน่นของขอบของกราฟทั้งสองนั้นใกล้เคียงกันในทุกเซตย่อยของจุดยอดที่สอดคล้องกัน

อย่างน่าอัศจรรย์ ลำดับของกราฟจะลู่เข้าตามเมตริกหนึ่งก็ต่อเมื่อมันลู่เข้าตามเมตริกอื่นเท่านั้น ยิ่งไปกว่านั้น วัตถุลิมิตภายใต้เมตริกทั้งสองกลายเป็นกราฟอน ความเท่าเทียมกันของแนวคิดการลู่เข้าทั้งสองนี้สะท้อนให้เห็นว่าแนวคิดต่างๆ ของ กราฟ กึ่งสุ่มนั้นเทียบเท่ากัน อย่างไร [ 7 ]

ความหนาแน่นของโฮโมมอร์ฟิซึม

วิธีหนึ่งในการวัดระยะห่างระหว่างกราฟสองกราฟจี{\displaystyle G}และชม{\displaystyle H}คือการเปรียบเทียบจำนวนซับกราฟสัมพัทธ์ของแต่ละกราฟ กล่าวคือ สำหรับแต่ละกราฟเอฟ{\displaystyle F}เราสามารถเปรียบเทียบจำนวนสำเนาของเอฟ{\displaystyle F}ในจี{\displaystyle G}และเอฟ{\displaystyle F}ในชม{\displaystyle H}หากตัวเลขเหล่านี้ใกล้เคียงกันในทุกกราฟเอฟ{\displaystyle F}จากนั้นโดยสัญชาตญาณจี{\displaystyle G}และชม{\displaystyle H}กราฟเหล่านี้ดูคล้ายกัน อย่างไรก็ตาม แทนที่จะจัดการกับกราฟย่อยโดยตรง ปรากฏว่าการทำงานกับโฮโมมอร์ฟิซึมของกราฟนั้นง่ายกว่า ซึ่งเหมาะสมเมื่อจัดการกับกราฟขนาดใหญ่และหนาแน่น เนื่องจากในสถานการณ์นี้ จำนวนกราฟย่อยและจำนวนโฮโมมอร์ฟิซึมของกราฟจากกราฟคงที่นั้นจะเท่ากันในเชิงอะซิมโทติก

กำหนดให้มีกราฟสองกราฟเอฟ{\displaystyle F}และจี{\displaystyle G}ความหนาแน่นของโฮโมมอร์ฟิซึม ที(เอฟ,จี){\displaystyle t(F,G)}ของเอฟ{\displaystyle F}ในจี{\displaystyle G}ถูกกำหนดให้เป็นจำนวนโฮโมมอร์ฟิซึมของกราฟจากเอฟ{\displaystyle F}ถึงจี{\displaystyle G}กล่าวอีกนัยหนึ่งคือที(เอฟ,จี){\displaystyle t(F,G)}คือความน่าจะเป็นที่แผนที่ที่ถูกเลือกแบบสุ่มจากจุดยอดของเอฟ{\displaystyle F}ไปยังจุดยอดของจี{\displaystyle G}ส่งจุดยอดที่อยู่ติดกันเข้าไปเอฟ{\displaystyle F}ไปยังจุดยอดที่อยู่ติดกันในจี{\displaystyle G}.

กราฟอนนำเสนอวิธีที่ง่ายในการคำนวณความหนาแน่นของโฮโมมอร์ฟิซึม ที่จริงแล้ว เมื่อกำหนดกราฟมาให้จี{\displaystyle G}พร้อมด้วยกราฟอนที่เกี่ยวข้องจี{\displaystyle W_{G}}และอีกคนหนึ่งเอฟ{\displaystyle F}เรามี

ที(เอฟ,จี)=(ฉัน,เจ)อี(เอฟ)จี(xฉัน,xเจ){xฉัน}ฉันวี(เอฟ){\displaystyle t(F,G)=\int \prod _{(i,j)\in E(F)}W_{G}(x_{i},x_{j})\;\left\{\mathrm {d} x_{i}\right\}_{i\in V(F)}}

โดยที่ปริพันธ์นั้นเป็นปริพันธ์หลายมิติ ซึ่งคำนวณบนไฮเปอร์คิวบ์หน่วย[0,1]วี(เอฟ){\displaystyle [0,1]^{V(F)}}สิ่งนี้เป็นผลมาจากนิยามของกราฟอนที่เกี่ยวข้อง โดยพิจารณาเมื่อตัวอินทิกรัลข้างต้นเท่ากับ1{\displaystyle 1}จากนั้นเราสามารถขยายคำจำกัดความของความหนาแน่นของโฮโมมอร์ฟิซึมไปยังกราฟอนใดๆ ก็ได้{\displaystyle W}โดยใช้ปริพันธ์เดียวกันและกำหนด

ที(เอฟ,)=(ฉัน,เจ)อี(เอฟ)(xฉัน,xเจ){xฉัน}ฉันวี(เอฟ){\displaystyle t(F,W)=\int \prod _{(i,j)\in E(F)}W(x_{i},x_{j})\;\left\{\mathrm {d} x_{i}\right\}_{i\in V(F)}}

สำหรับกราฟใดๆเอฟ{\displaystyle F}.

จากโครงสร้างนี้ เราเรียกกราฟลำดับหนึ่งว่า...(จีn){\displaystyle (G_{n})}ลู่เข้าทางซ้ายถ้าสำหรับกราฟคงที่ทุกกราฟเอฟ{\displaystyle F}ลำดับของความหนาแน่นโฮโมมอร์ฟิซึม(ที(เอฟ,จีn)){\displaystyle \left(t(F,G_{n})\right)}ลู่เข้า แม้ว่าจะไม่ชัดเจนจากคำจำกัดความเพียงอย่างเดียว แต่ถ้า(จีn){\displaystyle (G_{n})} หากลู่เข้าในความหมายนี้ ก็จะมีกราฟอนอยู่เสมอ{\displaystyle W}โดยที่สำหรับกราฟทุกกราฟเอฟ{\displaystyle F}เรามี ลิมnที(เอฟ,จีn)=ที(เอฟ,){\displaystyle \lim _{n\to \infty }t(F,G_{n})=t(F,W)} พร้อมกัน

ระยะตัด

พิจารณากราฟสองกราฟจี{\displaystyle G}และชม{\displaystyle H}บนเซตจุดยอดเดียวกัน เนื่องจากกราฟเหล่านี้มีจุดยอดร่วมกัน วิธีหนึ่งในการวัดระยะห่างระหว่างกราฟเหล่านี้คือการจำกัดให้อยู่ในเซตย่อยX,วาย{\displaystyle X,Y}ของเซตจุดยอด และสำหรับแต่ละคู่ของเซตย่อยดังกล่าว ให้เปรียบเทียบจำนวนขอบอีจี(X,วาย){\displaystyle e_{G}(X,Y)}จากX{\displaystyle X}ถึงวาย{\displaystyle Y}ในจี{\displaystyle G}จำนวนขอบอีชม(X,วาย){\displaystyle e_{H}(X,Y)}ระหว่างX{\displaystyle X}และวาย{\displaystyle Y}ในชม{\displaystyle H}หากตัวเลขเหล่านี้มีความคล้ายคลึงกันสำหรับทุกคู่ของเซตย่อย (เมื่อเทียบกับจำนวนจุดยอดทั้งหมด) นั่นแสดงว่า...จี{\displaystyle G}และชม{\displaystyle H}เป็นกราฟที่คล้ายกัน

เพื่อเป็นการกำหนดรูปแบบเบื้องต้นของแนวคิดเรื่องระยะทางนี้ สำหรับกราฟสองกราฟใดๆจี{\displaystyle G}และชม{\displaystyle H}บนเซตจุดยอดเดียวกันวี{\displaystyle V}ขนาด|วี|=n{\displaystyle |V|=n}กำหนดระยะตัดที่มีป้ายกำกับระหว่างจี{\displaystyle G}และชม{\displaystyle H}จะเป็น

(จี,ชม)=1n2สูงสุดX,วายวี|อีจี(X,วาย)อีชม(X,วาย)|.{\displaystyle d_{\square }(G,H)={\frac {1}{n^{2}}}\max _{X,Y\subseteq V}\left|e_{G}(X,Y)-e_{H}(X,Y)\right|.}

กล่าวอีกนัยหนึ่ง ระยะตัดที่ระบุไว้จะเข้ารหัสความคลาดเคลื่อนสูงสุดของความหนาแน่นของขอบระหว่างจี{\displaystyle G}และชม{\displaystyle H}เราสามารถขยายแนวคิดนี้ไปยังกราฟอนได้โดยการแสดงความหนาแน่นของขอบ1n2อีจี(X,วาย){\displaystyle {\tfrac {1}{n^{2}}}e_{G}(X,Y)}ในแง่ของกราฟอนที่เกี่ยวข้องจี{\displaystyle W_{G}}ทำให้เกิดความเท่าเทียมกัน

(จี,ชม)=สูงสุดX,วายวี|ฉันXฉันวายจี(x,y)ชม(x,y)xy|{\displaystyle d_{\square }(G,H)=\max _{X,Y\subseteq V}\left|\int _{I_{X}}\int _{I_{Y}}W_{G}(x,y)-W_{H}(x,y)\;\mathrm {d} x\,\mathrm {d} y\right|}

ที่ไหนฉันX,ฉันวาย[0,1]{\displaystyle I_{X},I_{Y}\subseteq [0,1]}เป็นการรวมกันของช่วงเวลาที่สอดคล้องกับจุดยอดในX{\displaystyle X}และวาย{\displaystyle Y}โปรดทราบว่าคำจำกัดความนี้ยังคงสามารถใช้ได้แม้ว่ากราฟที่นำมาเปรียบเทียบกันจะไม่มีชุดจุดยอดร่วมกันก็ตาม ซึ่งเป็นแรงบันดาลใจให้เกิดคำจำกัดความทั่วไปต่อไปนี้

นิยาม 1.สำหรับฟังก์ชันสมมาตรที่วัดได้ใดๆเอฟ:[0,1]2อาร์{\displaystyle f:[0,1]^{2}\to \mathbb {R} }กำหนดบรรทัดฐานการตัดของเอฟ{\displaystyle f}จะเป็นปริมาณ

เอฟ=จีบเอส,ที[0,1]|เอสทีเอฟ(x,y)xy|{\displaystyle \lVert f\rVert _{\square }=\sup _{S,T\subseteq [0,1]}\left|\int _{S}\int _{T}f(x,y)\;\mathrm {d} x\,\mathrm {d} y\right|} ครอบคลุมเซตย่อยที่วัดได้ทั้งหมดเอส,ที{\displaystyle S,T}ของช่วงหน่วย[ 6 ]

สิ่งนี้สะท้อนถึงแนวคิดก่อนหน้านี้ของเราเกี่ยวกับระยะตัดที่มีป้ายกำกับ เนื่องจากเรามีความเท่าเทียมกันจีชม=(จี,ชม){\displaystyle \lVert W_{G}-W_{H}\rVert _{\square }=d_{\square }(G,H)}.

การวัดระยะทางนี้ยังมีข้อจำกัดสำคัญประการหนึ่ง คือ มันสามารถกำหนดระยะทางที่ไม่เป็นศูนย์ให้กับกราฟที่สมมาตรกันสองกราฟได้ เพื่อให้แน่ใจว่ากราฟที่สมมาตรกันมีระยะทางเป็นศูนย์ เราควรคำนวณค่าบรรทัดฐานการตัดขั้นต่ำเหนือ "การติดป้ายใหม่" ที่เป็นไปได้ทั้งหมดของจุดยอด ซึ่งเป็นที่มาของนิยามระยะทางการตัดต่อไปนี้

นิยามที่ 2สำหรับกราฟอนคู่ใดๆยู{\displaystyle U}และ{\displaystyle W}กำหนดระยะตัดให้เป็น

δ(ยู,)=ข้อมูลφยูφ{\displaystyle \delta _{\square }(U,W)=\inf _{\varphi }\lVert U-W^{\varphi }\rVert _{\square }} ที่ไหนφ(x,y)=(φ(x),φ(y)){\displaystyle W^{\varphi }(x,y)=W(\varphi (x),\varphi (y))}คือองค์ประกอบของ{\displaystyle W}ด้วยแผนที่φ{\displaystyle \varphi }และค่าต่ำสุดจะถูกหาจาก ฟังก์ชันหนึ่งต่อหนึ่ง ที่รักษาการวัด ทั้งหมด จากช่วงหน่วยไปยังตัวมันเอง[ 8 ]

ระยะตัดระหว่างกราฟสองกราฟถูกกำหนดให้เป็นระยะตัดระหว่างกราฟอนที่เกี่ยวข้องของกราฟทั้งสองนั้น

ตอนนี้เรากล่าวว่าลำดับของกราฟ(จีn){\displaystyle (G_{n})}ลำดับ นั้นจะลู่เข้าภายใต้ระยะตัดถ้าเป็นลำดับโคชีภายใต้ระยะตัดδ{\displaystyle \delta _{\square }}แม้จะไม่ใช่ผลโดยตรงจากนิยาม แต่ถ้าหากลำดับของกราฟดังกล่าวเป็นลำดับโคชีแล้ว ลำดับนั้นจะลู่เข้าสู่กราฟอนเสมอ{\displaystyle W}.

ความเท่าเทียมกันของการบรรจบกัน

ปรากฏว่า สำหรับลำดับของกราฟใดๆ(จีn){\displaystyle (G_{n})}การลู่เข้าทางซ้ายเทียบเท่ากับการลู่เข้าภายใต้ระยะตัด และยิ่งไปกว่านั้น กราฟอนลิมิต{\displaystyle W}ก็เหมือนกัน เราสามารถพิจารณาการบรรจบกันของกราฟอนเองโดยใช้คำจำกัดความเดียวกัน และความเท่าเทียมกันก็เป็นจริงเช่นกัน ในความเป็นจริง แนวคิดทั้งสองของการบรรจบกันมีความสัมพันธ์กันอย่างแน่นแฟ้นยิ่งขึ้นผ่านสิ่งที่เรียกว่าบทพิสูจน์การนับ[ 6 ]

ทฤษฎีบทนับสำหรับกราฟอนคู่ใดๆยู{\displaystyle U}และ{\displaystyle W}เรามี

|ที(เอฟ,ยู)ที(เอฟ,)|อี(เอฟ)δ(ยู,){\displaystyle |t(F,U)-t(F,W)|\leq e(F)\delta _{\square }(U,W)} สำหรับกราฟทั้งหมดเอฟ{\displaystyle F}.

ชื่อ "บทพิสูจน์การนับ" มาจากขอบเขตที่บทพิสูจน์นี้กำหนดไว้สำหรับความหนาแน่นของโฮโมมอร์ฟิซึมที(เอฟ,){\displaystyle t(F,W)}ซึ่งคล้ายคลึงกับการนับกราฟย่อยของกราฟ บทพิสูจน์นี้เป็นการขยายความของบทพิสูจน์การนับกราฟที่ปรากฏในสาขาการแบ่งส่วนความสม่ำเสมอและแสดงให้เห็นทันทีว่าการลู่เข้าภายใต้ระยะทางตัดหมายถึงการลู่เข้าทางซ้าย

ทฤษฎีบทการนับผกผันสำหรับจำนวนจริงทุกจำนวนε>0{\displaystyle \varepsilon >0}มีจำนวนจริงอยู่η>0{\displaystyle \eta >0}และจำนวนเต็มบวกเค{\displaystyle k}โดยที่สำหรับกราฟอนคู่ใดๆยู{\displaystyle U}และ{\displaystyle W}กับ

|ที(เอฟ,ยู)ที(เอฟ,)|η{\displaystyle |t(F,U)-t(F,W)|\leq \eta } สำหรับกราฟทั้งหมดเอฟ{\displaystyle F}น่าพอใจวี(เอฟ)เค{\displaystyle v(F)\leq k}เราต้องมีδ(ยู,)<ε{\displaystyle \delta _{\square }(U,W)<\varepsilon }.

บทพิสูจน์ย่อยนี้แสดงให้เห็นว่าการลู่เข้าทางซ้ายหมายถึงการลู่เข้าภายใต้ระยะตัด

พื้นที่ของกราฟอน

เราสามารถเปลี่ยนระยะตัดให้เป็นเมตริกได้โดยการนำเซตของกราฟอนทั้งหมดมา และระบุกราฟอนสองตัวยู~{\displaystyle U\sim W}เมื่อใดก็ตามδ(ยู,)=0{\displaystyle \delta _{\square }(U,W)=0}พื้นที่ของกราฟอนที่เกิดขึ้นจะถูกกำหนดโดยสัญลักษณ์~0{\displaystyle {\widetilde {\mathcal {W}}}_{0}}และร่วมกับδ{\displaystyle \delta _{\square }}ก่อให้เกิดปริภูมิเมตริก

ปรากฏว่าปริภูมินี้เป็นปริภูมิกระชับยิ่งไปกว่านั้น มันยังประกอบด้วยเซตของกราฟจำกัดทั้งหมด ซึ่งแทนด้วยกราฟอนที่เกี่ยวข้อง เป็นเซตย่อยหนาแน่นข้อสังเกตเหล่านี้แสดงให้เห็นว่าปริภูมิของกราฟอนเป็นการเติมเต็มของปริภูมิของกราฟโดยสัมพันธ์กับระยะทางตัด ผลที่ตามมาโดยตรงประการหนึ่งจากเรื่องนี้คือดังต่อไปนี้

บทแทรก 1.สำหรับจำนวนจริงทุกจำนวนε>0{\displaystyle \varepsilon >0}มีจำนวนเต็มอยู่เอ็น{\displaystyle N}โดยที่สำหรับกราฟอนทุกตัว{\displaystyle W}มีกราฟอยู่จี{\displaystyle G}ด้วยอย่างมากที่สุดเอ็น{\displaystyle N}จุดยอดที่δ(,จี)<ε{\displaystyle \delta _{\square }(W,W_{G})<\varepsilon }.

หากต้องการทราบเหตุผล โปรดลอง...จี{\displaystyle {\mathcal {G}}}ให้ เป็นเซตของกราฟ พิจารณาสำหรับแต่ละกราฟจีจี{\displaystyle G\in {\mathcal {G}}}ลูกบอลเปิดบี(จี,ε){\displaystyle B_{\square }(G,\varepsilon )}ประกอบด้วยกราฟอนทั้งหมด{\displaystyle W}โดยที่δ(,จี)<ε{\displaystyle \delta _{\square }(W,W_{G})<\varepsilon }ชุดของลูกบอลเปิดสำหรับกราฟทั้งหมดครอบคลุม~0{\displaystyle {\widetilde {\mathcal {W}}}_{0}}ดังนั้น ความกะทัดรัดจึงหมายความว่ามีพื้นที่ปกคลุมย่อยที่จำกัด{บี(จี,ε)จีจี0}{\displaystyle \{B_{\square }(G,\varepsilon )\mid G\in {\mathcal {G}}_{0}\}}สำหรับเซตย่อยจำกัดบางเซตจี0จี{\displaystyle {\mathcal {G}}_{0}\subset {\mathcal {G}}}เราสามารถดำเนินการได้แล้วเอ็น{\displaystyle N}มีจำนวนจุดยอดมากที่สุดในบรรดากราฟทั้งหมดจี0{\displaystyle {\mathcal {G}}_{0}}.

แอปพลิเคชัน

บทพิสูจน์ความสม่ำเสมอ

ความกะทัดรัดของปริภูมิกราฟอน(~0,δ){\displaystyle ({\widetilde {\mathcal {W}}}_{0},\delta _{\square })}สามารถคิดได้ว่าเป็นการกำหนดสูตรเชิงวิเคราะห์ของทฤษฎีบทความสม่ำเสมอของ Szemerédiในความเป็นจริง เป็นผลลัพธ์ที่แข็งแกร่งกว่าทฤษฎีบทดั้งเดิม[ 9 ] ทฤษฎีบทความสม่ำเสมอของ Szemerédi สามารถแปลเป็นภาษาของกราฟอนได้ดังนี้ กำหนดให้ฟังก์ชันขั้นบันไดเป็นกราฟอน{\displaystyle W}นั่นคือค่าคงที่แบบเป็นช่วงๆ กล่าวคือ สำหรับการแบ่งส่วนบางช่วงพี{\displaystyle {\mathcal {P}}}ของ[0,1]{\displaystyle [0,1]},{\displaystyle W}คงที่บนเอส×ที{\displaystyle S\times T}สำหรับทุกคนเอส,ทีพี{\displaystyle S,T\in {\mathcal {P}}}ข้อความที่ระบุว่ากราฟจี{\displaystyle G}การแบ่งส่วนความสม่ำเสมอเทียบเท่ากับการกล่าวว่ากราฟอนที่เกี่ยวข้องจี{\displaystyle W_{G}}ใกล้เคียงกับฟังก์ชันขั้นบันได

การพิสูจน์ความกะทัดรัดนั้นต้องการเพียงบทพิสูจน์ความสม่ำเสมอแบบอ่อน เท่านั้น :

บทพิสูจน์ความสม่ำเสมอแบบอ่อนสำหรับกราฟอนสำหรับกราฟอนทุกตัว{\displaystyle W}และε>0{\displaystyle \varepsilon >0}มีฟังก์ชันขั้นบันได{\displaystyle W'}ด้วยอย่างมากที่สุด41/ε2{\displaystyle \lceil 4^{1/\varepsilon ^{2}}\rceil }ขั้นตอนต่างๆ เช่นε{\displaystyle \lVert W-W'\rVert _{\square }\leq \varepsilon }.

แต่สามารถนำไปใช้พิสูจน์ผลลัพธ์ความสม่ำเสมอที่แข็งแกร่งกว่าได้ เช่นบทพิสูจน์ความสม่ำเสมอที่แข็งแกร่ง :

บทพิสูจน์ความสม่ำเสมอที่แข็งแกร่งสำหรับกราฟอนสำหรับทุกลำดับε=(ε0,ε1,){\displaystyle \mathbf {\varepsilon } =(\varepsilon _{0},\varepsilon _{1},\dots )}ในบรรดาจำนวนจริงบวก จะมีจำนวนเต็มบวกอยู่จำนวนหนึ่งเอส{\displaystyle S}โดยที่สำหรับกราฟอนทุกตัว{\displaystyle W}มีกราฟอนอยู่{\displaystyle W'}และฟังก์ชันขั้นบันไดยู{\displaystyle U}กับเค<เอส{\displaystyle k<S}ขั้นตอนต่างๆ เช่น1ε0{\displaystyle \lVert W-W'\rVert _{1}\leq \varepsilon _{0}}และยูεเค.{\displaystyle \lVert W'-U\rVert _{\square }\leq \varepsilon _{k}.}

การพิสูจน์เลมมาความสม่ำเสมอที่แข็งแกร่งนั้นมีแนวคิดคล้ายกับบทสรุปที่ 1 ข้างต้น ปรากฏว่ากราฟอนทุกตัว{\displaystyle W}สามารถประมาณได้ด้วยฟังก์ชันขั้นบันไดยู{\displaystyle U}ในแอล1{\displaystyle L_{1}}บรรทัดฐานแสดงให้เห็นว่าเซตของลูกบอลบี1(ยู,ε0){\displaystyle B_{1}(U,\varepsilon _{0})}ปิดบัง~0{\displaystyle {\widetilde {\mathcal {W}}}_{0}}ชุดเหล่านี้ไม่ได้ถูกเปิดในδ{\displaystyle \delta _{\square }}เป็นหน่วยเมตริก แต่สามารถขยายให้กว้างขึ้นเล็กน้อยได้ ตอนนี้ เราสามารถใช้ฝาครอบย่อยที่มีขอบเขตจำกัด และสามารถแสดงให้เห็นว่าเงื่อนไขที่ต้องการเป็นไปตามนั้น

ข้อสันนิษฐานของซิโดเรนโก

ลักษณะเชิงวิเคราะห์ของกราฟอนช่วยให้มีความยืดหยุ่นมากขึ้นในการแก้ปัญหาความไม่เท่าเทียมกันที่เกี่ยวข้องกับโฮโมมอร์ฟิซึม

ตัวอย่างเช่น ข้อสันนิษฐานของซิโดเรนโกเป็นปัญหาเปิดที่สำคัญในทฤษฎีกราฟสุดขั้วซึ่งกล่าวว่าสำหรับกราฟใดๆจี{\displaystyle G}บนn{\displaystyle n}จุดยอดที่มีดีกรีเฉลี่ยพีn{\displaystyle pn}(สำหรับบางคน)พี[0,1]{\displaystyle p\in [0,1]}) และกราฟสองส่วนชม{\displaystyle H}บนวี{\displaystyle v}จุดยอดและอี{\displaystyle e}ขอบ จำนวนโฮโมมอร์ฟิซึมจากชม{\displaystyle H}ถึงจี{\displaystyle G}อย่างน้อยก็พีอีnวี{\displaystyle p^{e}n^{v}}[ 10 ] เนื่องจากปริมาณนี้คือจำนวนที่คาดหวังของกราฟย่อยที่มีป้ายกำกับของชม{\displaystyle H}ในกราฟแบบสุ่มจี(n,พี){\displaystyle G(n,p)}ข้อสันนิษฐานนี้สามารถตีความได้ว่าเป็นการอ้างว่าสำหรับกราฟสองส่วนใดๆชม{\displaystyle H}กราฟสุ่มจะบรรลุ (โดยเฉลี่ย) จำนวนสำเนาขั้นต่ำของชม{\displaystyle H}สำหรับกราฟทั้งหมดที่มีความหนาแน่นของขอบคงที่

แนวทางมากมายในการพิจารณาสมมติฐานของ Sidorenko กำหนดปัญหาเป็นอสมการเชิงอินทิกรัลบนกราฟอน ซึ่งทำให้สามารถโจมตีปัญหาโดยใช้แนวทางการวิเคราะห์อื่นๆ ได้[ 11 ]

การสรุปโดยทั่วไป

กราฟอนมีความเกี่ยวข้องตามธรรมชาติกับกราฟแบบง่ายที่มีความหนาแน่นสูง มีการขยายแบบจำลองนี้ไปยังกราฟแบบมีทิศทางและมีน้ำหนักที่มีความหนาแน่นสูง ซึ่งมักเรียกว่ากราฟอนที่ตกแต่ง[ 12 ]นอกจากนี้ยังมีการขยายล่าสุดไปยังระบอบกราฟแบบเบาบาง ทั้งจากมุมมองของแบบจำลองกราฟแบบสุ่ม[ 13 ]และทฤษฎีขีดจำกัดของกราฟ[ 14 ] [ 15 ]

ดึงข้อมูลมาจาก " https://en.wikipedia.org/w/index.php?title=Graphon&oldid=1358336692 "

สรุปเนื้อหา

ข้อมูลสำคัญจากบทความ

ข้อมูลสำคัญเกี่ยวกับ กราฟอน

ใน ทฤษฎีกราฟ และ สถิติ กราฟอน ( หรือที่เรียกว่า ลิมิตกราฟ ) คือฟังก์ชัน สมมาตร ที่วัด ได้ ว : [ 0 , 1 ] 2 → [ 0 , 1 ] {\displaystyle W:[0,1]^{2}\ถึง [0,1]}...

การกำหนดสูตรทางสถิติ

กราฟอนคือฟังก์ชันสมมาตรที่วัดได้ ว : [ 0 , 1 ] 2 → [ 0 , 1 ] {\displaystyle W:[0,1]^{2}\ถึง [0,1]} โดยทั่วไปแล้ว กราฟอนจะถูกเข้าใจว่าเป็นการกำหนดแบบจำลองกราฟสุ่มที่แลกเปลี่ยนได้ตามแผนผังดังต่อไปนี้:

ตัวอย่าง

ตัวอย่างที่ง่ายที่สุดของกราฟอนคือ ว ( x , y ) ≡ พี {\displaystyle W(x,y)\equiv p} สำหรับค่าคงที่บางค่า พี ∈ [ 0 , 1 ] {\displaystyle p\in [0,1]} ในกรณีนี้ แบบจำลองกราฟสุ่มที่แลกเปลี่ยนได้ที่เกี่ยวข้องคือแบบจำลอง Erdős–Rényi จี ( n , พี ) {\displaystyle...

เมทริกซ์ประชิดที่แลกเปลี่ยนร่วมกันได้

กราฟสุ่มขนาด n {\displaystyle n} สามารถแสดงได้ในรูปสุ่ม n × n {\displaystyle n\times n} เมทริกซ์ประชิด เพื่อให้เกิดความสอดคล้อง (ในแง่ของ ความเป็นโปรเจคทีฟ ) ระหว่างกราฟสุ่มที่มีขนาดต่างกัน...