Wykładnicze grafy przypadkowe:
teoria i przykłady zastosowań
do analizy rzeczywistych sieci złożonych
Agata Fronczak
Zakład Fizyki Układów Złożonych Wydział Fizyki Politechniki Warszawskiej
Gdańsk, Warsztaty pt. Układy Złożone (8–10 maja 2014)
Agata Fronczak
Wykładnicze grafy przypadkowe:
teoria i przykłady zastosowań do analizy rzeczywistych sieci złożonych
CZĘŚĆ 2.
Wykładnicze grafy przypadkowe
Zespoły statystyczne sieci przypadkowych
Sieć przypadkowa → pojedyncza sieć, w procedurze konstrukcyjnej której jest pewien element losowości;
Sieć przypadkowa → zespół statystyczny sieci; zbiór możliwych realizacji sieci {G}, którym to realizacjom (tj. mikrostanom) są przypisane odpowiednie prawdopodobieństwa P(G);
Wykładnicze grafy przypadkowe: sieci o zadanym hamiltonianie strukturalnym
Przykład: klasyczne grafy przypadkowe
Procedura konstrukcyjna:
Ustalona liczba węzłów N
Każdą parę węzłów łączymy z prawdopodobieństwem p.
p=0 p=0.1
p=0.5 p=1
suma statystyczna:
hamiltonian zespołu klasycznych grafów przypadkowych:
prawdopodobieństwo grafu w zespole :
E(G) – liczba krawędzi w grafieSformułowanie problemu …
Krok 1.
Ustalamy te spośród strukturalnych cech badanej sieci, które są dla nas ważne, np.
liczba krawędzi w sieci,
liczba trójkątów, .
sekwencja stopni węzłów:
ogólnie, pewien zbiór parametrów:
Krok 2.
Na podstawie sieci rzeczywistej, określamy oczekiwane wartości tych parametrów:
(…)
ogólnie:
Krok 3.
Ustalamy zbiór możliwych realizacji badanej sieci :
zbiór wszystkich grafów prostych o zadanej liczbie węzłów
zbiór grafów ważonych o wagach z ustalonego zbioru
Problem: Przypuśćmy, że badamy pewną sieć rzeczywistą i chcemy stworzyć model tej sieci
Krok 4.
Wybieramy rozkład taki, by typowe realizacje zespołu sieci miały określone cechy sieci rzeczywistej.
Pytanie: W jaki sposób wybrać P(G)?
Zasada maksymalnej entropii
Dygresja: Zasada maksymalnej entropii
i alternatywne sformułowanie fizyki statystycznej stanów równowagi
Zespół kanoniczny Wykładnicze grafy przypadkowe:
na przykładzie klasycznego grafu przypadkowego
Przykład : uogólnione grafy przypadkowe (grafy o zadanej sekwencji stopni węzłów)
W granicy rzadkich grafów:
Symulacje numeryczne metodą Monte Carlo
Algorytm Metropolis
Klasyczne grafy przypadkowe
Przykład wykorzystania algorytm Metropolis
1.
2.
3.
Symulacja
Model Straussa
Symulacja
Agata Fronczak
Wykładnicze grafy przypadkowe:
teoria i przykłady zastosowań do analizy rzeczywistych sieci złożonych
CZĘŚĆ 3.
Wykładnicze grafy przypadkowe
– przykłady zastosowań
Sieć handlu światowego
i j
Sieć handlu światowego
Brak efektów związanych z utratą wartości pieniędzy
Uproszczona wersja grawitacyjnego modelu handlu
Sieć handlu światowego
Dane rzeczywiste vs symulacje MC sieci handlu
Sieć handlu światowego
Zmienność sieci w czasie, proces quasistatyczny
Sieć handlu światowego
Relacja fluktuacyjno – dysypacyjna
Sieć handlu światowego
Podatność wymiany handlowej na zmianę PKB
Moduły (bloki) w sieciach złożonych:
gęsto połączone grupy węzłów w sieciach o mniejszej gęstości połączeń.
• Ludzie o podobnych zainteresowaniach
• Strony WWW o tej samej tematyce
• Proteiny pełniące podobne funkcje
Modele blokowe
Sieci rzeczywiste o strukturze modułowej (blokowej)
Powody dla których bada się strukturę blokową:
Teoretyczne:
• Zasady organizacji sieci
• Klasyfikacja węzłów i połączeń międzywęzłowych
• Algorytmy do detekcji brakujących połączeń Praktyczne:
• Poprawa efektywności różnych algorytmów sieciowych (wyszukiwarek, kontekstowych translatorów, systemów rekomendujących itd.)
• Badania nad genomem, identyfikacja funkcji protein.
Wielkie wyzwanie ostatniej dekady → algorytmy do detekcji bloków
Modele sieci wykorzystywane do testowania
algorytmów do detekcji modułów w sieciach rzeczywistych
Klasyczne modele blokowe (Girvan, Newman, PNAS 2004)
N węzłów, K bloków o tej samej wielkości.
Bloki – losowo połączone klasyczne grafy przypadkowe.
Realistyczny model sieci blokowej
(Lancichinetti, Fortunato, Radicchi, PRE 2008)
Moduły o różnych wielkościach.Potęgowy rozkład stopni węzłów.
Wykładnicze grafy przypadkowe o strukturze blokowej (Fronczak, Fronczak, Bujok, PRE 2013)
A B
C2 A
B
C
Bardzo ogólny model, który zawiera modele A i B jako szczególne przypadki.
C1
Model, który łatwo można implementować przy użyciu symulacji MC.
Model, łatwy w obliczeniach analitycznych.