Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
第3回  複雑ネットワーク読書会      第4章  古典的なグラフ                     Shintaro	  TAKEMURA	                            d.hatena.ne.jp/taos...
4.1  完全グラフ[1]•  完全グラフ(Complete	  Graph)	                 A  –  全ての頂点対が隣隣接     •  L=1, C=1                      B     •  <k...
4.1  完全グラフ[2]•  部分グラフ(Subgraph)	               A  –  頂点と枝がGのサブセットの                         C     グラフを、Gの部分グラフと            ...
4.2  空間に埋めこまれた格⼦子[1]•  2次元格⼦子	    –  平⾯面状に規則的に並べられた点からなるグラフ  –  碁盤⽬目上に並んだモデルを正⽅方格⼦子と呼ぶ                              A   B ...
4.2  空間に埋めこまれた格⼦子[2]•  1次元格⼦子とサイクル	    –  1次元規則の無限グラフ               A       B       E    •  Z1と書かれる    •  k=2, L ∝ N, C=0 ...
4.2  空間に埋めこまれた格⼦子[3]•  ⼀一般の次元の格⼦子	    –  D次元の場合、超⽴立立⽅方格⼦子と呼ぶ    •  ZDと書かれる  –  周期的境界条件を課したものがトーラス  –  スモールワールドではない    •  L...
4.3  ⽊木•  ⽊木(Tree)	      –  4章では各頂点の次数が同⼀一のものを扱う        •  ケーリー・ツリー、ベーテ格⼦子とも呼ばれる    –  クラスター性は低い                 N = 1 + k...
4.4  ランダム・グラフ[1]•  ランダム・グラフ	     	  (Random	  Graph)	  	      p = 0.0 ; k = 0   N = 12    –  Erdős and Renyi (1959)•  ⽣生成⼿...
4.4  ランダム・グラフ[2]  •  最⼤大連結成分(Largest	  Component)	        –  相転移の説明のための補⾜足資料料  p = 0.0 ; <k> = 0   p = 0.045 ; <k> = 0.5  ...
4.4  ランダム・グラフ[3]•  相転移(Phase	  Transi<on)	     –  pを操作することで、ネットワークに定性的な変化      •  最も頂点数の多い連結成分の⼤大きさに影響   –  p < 1/N       ...
4.4  ランダム・グラフ[4]•  ランダム・グラフの次数分布	    –  ⺟母関数による導出例例      kp=                                                              ...
4.5  複雑ネットワークに向けて•  4章のグラフはスモールワールド性を満たさない	   –  ⼩小さい  L –  ⼤大きい  C (ランダムグラフは⼩小さいC) –  ⼤大きすぎる  <k>•  5章でスモールワールド性をもつモデルを紹介...
Upcoming SlideShare
Loading in …5
×

複雑ネットワーク 第4章 古典的なグラフ

4,989 views

Published on

第3回複雑ネットワーク読書会資料

  • Follow the link, new dating source: ❶❶❶ http://bit.ly/36cXjBY ❶❶❶
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • Dating direct: ❤❤❤ http://bit.ly/36cXjBY ❤❤❤
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here

複雑ネットワーク 第4章 古典的なグラフ

  1. 1. 第3回  複雑ネットワーク読書会 第4章  古典的なグラフ Shintaro  TAKEMURA   d.hatena.ne.jp/taos     twi9er.com/stakemura   facebook.com/shintaro.takemura
  2. 2. 4.1  完全グラフ[1]•  完全グラフ(Complete  Graph)   A –  全ての頂点対が隣隣接 •  L=1, C=1 B •  <k>=N-1 E –  スモールワールド・ネット L ワークとは⾔言えない •  枝が多すぎる •  M=N*(N-1)/2 –  ネットワークを無視したもの k が、平均場近似 スモールワールド・ネッ トワークなら、平均次数 とともに平均最短経路路⻑⾧長 が急速に減少する
  3. 3. 4.1  完全グラフ[2]•  部分グラフ(Subgraph)   A –  頂点と枝がGのサブセットの C グラフを、Gの部分グラフと B 呼ぶ E•  クリーク(Clique)   F –  部分グラフかつ完全グラフ D = Complete subgraph –  右のグラフでいうABE
  4. 4. 4.2  空間に埋めこまれた格⼦子[1]•  2次元格⼦子   –  平⾯面状に規則的に並べられた点からなるグラフ –  碁盤⽬目上に並んだモデルを正⽅方格⼦子と呼ぶ A B •  Z2と書かれる –  スモールワールドではない(Lが⼤大きい) C D •  L ∝ √N –  対称性改善のため周期的境界条件を課すことも –  正⽅方格⼦子の近傍をノイマン近傍と呼ぶ –  斜めの点を含んだものがムーア近傍
  5. 5. 4.2  空間に埋めこまれた格⼦子[2]•  1次元格⼦子とサイクル   –  1次元規則の無限グラフ A B E •  Z1と書かれる •  k=2, L ∝ N, C=0 –  周期的境界条件を課したものがサイクル A B •  CNと書くことも –  スモールワールドではない E •  L ≈ N/4 •  ⼤大きいNに対してL ∝ √Nより⼤大きい –  拡張1次元格⼦子・拡張サイクル A B E •  次数をkとなるよう拡張したもの •  L ≈ N/2k
  6. 6. 4.2  空間に埋めこまれた格⼦子[3]•  ⼀一般の次元の格⼦子   –  D次元の場合、超⽴立立⽅方格⼦子と呼ぶ •  ZDと書かれる –  周期的境界条件を課したものがトーラス –  スモールワールドではない •  L ∝ N1/D •  Dが⼤大きくなるほどLが⼩小さくなる •  が、⼤大きいNに対してL ∝ √Nより⼤大きい –  3次元以上の格⼦子を扱うことはあまりない
  7. 7. 4.3  ⽊木•  ⽊木(Tree)   –  4章では各頂点の次数が同⼀一のものを扱う •  ケーリー・ツリー、ベーテ格⼦子とも呼ばれる –  クラスター性は低い N = 1 + k + k (k − 1) +  + k (k − 1) l −1 •  C=0 l 1 − (k − 1) l –  繰り返し数をlと定める = 1+ k ~ (k − 1) 1 − (k − 1) •  N ∝ (k-1)l •  l ∝ logN / log(k-1) log N ⎛ N → +∞ ⎞ l~ ⎜ ⎜ k : fixed ⎟ ⎟ –  lとLは、定数倍くらいの違い log(k − 1) ⎝ ⎠ •  L ∝ logN 1 •  Lは⼩小さい ln( k − 1) 1 k
  8. 8. 4.4  ランダム・グラフ[1]•  ランダム・グラフ    (Random  Graph)     p = 0.0 ; k = 0 N = 12 –  Erdős and Renyi (1959)•  ⽣生成⼿手順   1.  N個のノードを⽤用意する 2.  2個のノードを確率率率  p で p = 0.09 ; k = 1 ランダムに選択しリンク で結ぶ•  毎回異異なるグラフが⽣生成   –  典型的には •  k ≈ pN p = 1.0 ; k ≈ N •  M ≈ pN(N-1)/2
  9. 9. 4.4  ランダム・グラフ[2] •  最⼤大連結成分(Largest  Component)   –  相転移の説明のための補⾜足資料料 p = 0.0 ; <k> = 0 p = 0.045 ; <k> = 0.5 p = 0.09 ; <k> = 1 p = 1.0 ; <k> ≈ ½N2最⼤大連結成分⼤大きさ(Size  of  largest  component) 1 5 11 12最⼤大連結成分の直径(Diameter  of  largest  component) 0 4 7 1平均最短経路路⻑⾧長(Average  path  length  between  nodes) 0.0 2.0 4.2 1.0
  10. 10. 4.4  ランダム・グラフ[3]•  相転移(Phase  Transi<on)   –  pを操作することで、ネットワークに定性的な変化 •  最も頂点数の多い連結成分の⼤大きさに影響 –  p < 1/N 最⼤大連結成分の直径 •  ⼤大多数の点が孤⽴立立 –  p = 1/N (相転移点) 1.0 •  最⼤大連結成分が出現 –  p > 1/N ノード内の連 結成分の割合 •  連結成分が多く占める –  p > logN/N •  全体が連結 0 1/N p •  連結性における相転移点 相転移点
  11. 11. 4.4  ランダム・グラフ[4]•  ランダム・グラフの次数分布   –  ⺟母関数による導出例例 kp= k N − k −1 N −1 ⎛ N − 1⎞ k N − k −1 ⎛ N − 1⎞⎛ k ⎞ ⎛ k ⎞ N −1 p(k ) = ⎜ ⎜ k ⎟ p (1 − p ) ⎟ ⎜ k ⎟⎜ N − 1 ⎟ = ⎜ ⎟⎜ ⎟ ⎜1 − ⎟ ⎜ N − 1 ⎟ k ≡ ∑ kp(k ) ⎝ ⎠ ⎝ ⎠⎝ ⎠ ⎝ ⎠ k =0 N −1 母関数 lim G (x ) = exp( k (x − 1))G (x ) = ∑ P(k )x k N → +∞ k =0 k N − k −1 +∞ − k ⎛ k k ⎞ k ⎛ N − 1⎞⎛ k ⎞ N −1 ⎛ k ⎞ = ∑e ⎜ ⎟ x = ∑ ⎜ ⎜ k ⎟⎜ N − 1 ⎟ ⎟⎜ ⎟ ⎜1 − ⎟ ⎜ N − 1 ⎟ xk k =0 ⎜ k! ⎟ k = 0 ⎝ ⎠⎝ ⎠ ⎝ ⎠ ⎝ ⎠ N −1 ⎧ k ⎫ N = 200 = ⎨1 + (x − 1)⎬ 2項分布 Poisson ⎩ N − 1 ⎭ k =4 分布へ k 近づく ⎡ ∂ ⎤ k − k p(k ) = ⎢ k lim G (x )⎥ = e ⎣ ∂x N →+∞ ⎦ k!
  12. 12. 4.5  複雑ネットワークに向けて•  4章のグラフはスモールワールド性を満たさない   –  ⼩小さい  L –  ⼤大きい  C (ランダムグラフは⼩小さいC) –  ⼤大きすぎる  <k>•  5章でスモールワールド性をもつモデルを紹介   –  ⼩小さい  <k>•  6章でスケールフリー性をもつモデルを紹介   –  次数分布がべぎ則

×