Главная страница 1
скачать файл

«Мир Тесен» по Джону Клайнбергу
Еремин Юрий, гр. 541

Мельников Иван, гр. 541
Оглавление


1. Введение 2

1.1 «Мир тесен» 2

1.2 Задача поиска информации 2

2. История 2

2.1 Эксперимент Стэнли Милграма 2

2.2 Исследования Пула и Кочена 3

2.3 Модель Ватса и Строгатца 3

2.4 Исследования Джона Клайнберга 3

2.5 Другие работы по теме 4

3. Сетевая модель 4

3.1 Описание модели 4

3.2 Децентрализованные алгоритмы 5

3.3 Результаты применения модели 6

3.4 k – мерная сеть 7

4. Сети, поддерживающие эффективный поиск 8

4.1 Иерархическая сетевая модель 8

4.1.1 Модель с полилогарифмическим внешним уровнем 8

4.1.1.1 Описание 8

4.1.1.2 Полученные результаты 9

4.1.2 Модель с постоянным внешним уровнем 9

4.1.2.1 Описание 9

4.1.2.2 Полученные результаты 10

4.2 Групповые структуры 10

4.2.1 Описание 10

4.2.2 Полученные результаты 11

5. Выводы 12

12

6. Открытые вопросы 12



7. Ссылки 14


1. Введение

1.1 «Мир тесен»


Феномен «мир тесен» – принцип, заключающийся в том, что все мы связаны короткой цепью знакомств. Часто бывает, что мы встречаем человека и оказывается, что у нас есть общий знакомый. После экспериментов Стэнли Милграма и его помощников в 1960-х годах, это явление начали изучать в социальной науке.

1.2 Задача поиска информации


Задачу поиска информации в таких сетях как WWW, можно рассматривать по разному, начиная от схем индексирования, заканчивая механизмами, работающими с сетями без знания их структуры. Подход к поиску информации описанный далее проявляется повсеместно:

  • поведение Web пользователей,

  • поведение агентов, обозревающих в поисках информации Web-ссылки,

  • в поисковых протоколах, лежащих в основе таких систем, как Gnutella, Freenet, посредством которых, пользователи могут обмениваться ресурсами без использования центрального сервера.

С алгоритмической точки зрения интересно знание структуры сетей, в которых проявляется феномен «тесного мира», то есть сетей, в которых прохождение сообщений эффективно, при использовании только локальной информации.

2. История

2.1 Эксперимент Стэнли Милграма


Термин «мир тесен» впервые введен в область экспериментальной науки Стэнли Милграмом в 1960-х. Его работа была одной из первых, позволяющих в численном виде представить это феномен, дав американцам повод говорить о «шести степенях разделения» между двумя людьми в США. Начальный эксперимент Милграма остается одним из самых удачных в понимании проблемы. Его цель состояла в том, чтобы соединить двух незнакомых людей цепью знакомств. Изначально, житель Небраски должен был передать письмо человеку в Массачусетсе, при этом ему сообщали только местоположение и профессию адресата. Он (и другие люди в цепи) должен был передать письмо человеку, которого он знал по имени, таким образом, чтобы письмо максимально быстро было доставлено до цели, при этом всем в цепочке передавались одни и те же инструкции. После многочисленных удачных попыток было посчитано среднее число шагов этой цепи. Оказалось, что оно лежит между 5 и 6. Вот почему после этого стали говорить о «шести степенях разделения» между людьми. С тех пор было опубликовано еще несколько работ, изучавших сетевые модели аналитически. Милграм сделал два удивительных открытия:

1) короткие цепи в сетях знакомств существуют,

2) люди могут находить эти цепи, зная только информацию о конечной цели.

С аналитической точки зрения первое из открытий экзистенциально по природе, второе говорит о том, что индивидуумы, зная только местоположение их непосредственных знакомых, могут построить общими усилиями короткую цепь между двумя точками в сети.



2.2 Исследования Пула и Кочена


Работы Пула и Кочена основывались на следующем предположении: случайные сети имеют маленький диаметр. Иначе говоря, если бы каждый житель США имел маленькое число знакомых, выбранных случайно равномерно из населения, и если бы знакомства были симметричны, то тогда два случайных индивида могли бы быть с большой вероятностью соединены короткой цепью. Даже в этой ранней работе указываются ограничения случайно равномерной модели: если А и Б два индивидуума с общим другом, то скорее всего они сами друзья.

Однако, такое предположении несколько противоречит эксперименту Милграма, ведь очень разветвленная сеть знакомств, не имеет малого диаметра.




2.3 Модель Ватса и Строгатца


Одна из самых изящных моделей была разработана Ватсом и Строгатцом, она явственно показала, что феномен «тесного мира» существует в целом ряде сетей (природных, техногенных) и является фундаментальным компонентом эволюции WWW. Она основывалась на классе случайных сетевых моделей, ребра которой разделены на локальные и дальние контакты. В качестве примера изучался «cетчатый круг», построенный следующим образом: выбираем на круге набор V из n точек, расположенных равномерно и соединяем каждую точку ребром с k ближними соседями для маленькой константы k. Это - локальные контакты сети, затем создаем немного ребер, у которых конечные точки выбраны случайно равномерно из V – это дальние контакты. Ватс и Строгатц доказали, что такие модели охватывают оба критических параметра социальных сетей: существует простая структура, объясняющая присутствие большинства ребер, и при этом несколько из них произведены случайным процессом, который эта структура не описывает. Их сети имеют малые диаметры и обладают следующим свойством: многие соседи вершины u сами соседи. Было показано, что многие из реальных сетей обладают этой парой свойств (например, электросеть Запада США).

2.4 Исследования Джона Клайнберга


Изучим следующий вопрос:

Почему незнакомые люди могут найти соединяющую их короткую цепь знакомств?

Можно представить сети, в которых короткие цепи существуют, но не механизм, основывающийся только на локальной информации, способный их найти. Успех эксперимента Mилграма. показал, что в социальной сети существуют скрытые навигационные ключи, посредством которых, сообщение может быть быстро проведено от источника к цели. Сразу напрашивается вопрос, какими свойствами должна обладать социальная сеть, чтобы иметь эти ключи и позволять своим членам ими пользоваться?

В своей работе Джон Клайнберг изучает децентрализованные алгоритмы - алгоритмы, посредством которых индивидуумы, зная только местоположение своих непосредственных знакомых, пытаются коротким путем передать сообщение от источника к цели.

Его центральные открытия:

- Существующих моделей недостаточно, чтобы объяснить успех такого децентрализованного алгоритма. Для класса сетей, построенных в соответствии с моделью Ватса и Строгатца, он доказывает, что не существует децентрализованного алгоритма, способного строить пути малой длины (по сравнению с диаметром сети)

- Он описал бесконечное семейство случайных сетей, которые естественно обобщают модель Ватса и Строгатца. Показал, что для одной из этих моделей существует децентрализованный алгоритм, способный с большой вероятностью находить короткие пути.

- Он доказал более сильное утверждение: на самом деле в этом семействе существует уникальная модель, для которой децентрализованные алгоритмы эффективны.

2.5 Другие работы по теме


Была проделана работа, целью которой было смоделировать выбор индивидуумами следующего адресата (в экспериментах Mилграма). Часть этих исследований относилась скорее к философии: «что мы делаем на этой планете?». Бернард и Килворф в своих «обратных экспериментах тесного мира» опросили набор респондентов и использовали эту информацию в поисках общих принципов на эмпирическом уровне. На аналитическом уровне Вайт открыл, что цепь «умрет», если один из индивидуумов откажется участвовать в передаче. Хантер и Шотланд изучили прохождение цепи по разным социальным категориям людей. Различие между существованием коротких путей, соединяющих точки в WWW и способностью агентов находить их, было недавно затронуто в работах Альберта, Йонга и Барабаси.

3. Сетевая модель




3.1 Описание модели


Модель сети должна - содержать короткие пути до большинства узлов, быть нетривиальной и ее структура должна быть частично известна для узлов. Таким образом, информация о известных частях может быть использована для построения путей в неизвестные. Опишем эту модель. Сеть представляет из себя двумерную сетку, ребра которой ортогональны. Множество узлов (индивидуумы в обществе) - набор точек квадратной сетки

n × n , {(i, j): i {1, 2, … , n}, j {1, 2, … , n}}.

Определим сетчатое расстояние между двумя узлами (i, j) и (k, l), определяющее количество их разделяющих шагов по сети, как d((i, j), (k, l)) = |k - i| + |l – j|.

Для универсальной константы p >= 1, узел u имеет ребро к каждому узлу в пределах сетчатого расстояния p – это локальные контакты. Для универсальных констант q >= 0 и r >= 0, мы случайно построим прямые ребра от u к q другим узлам (дальние контакты), следующим образом: i ребро из u имеет конечную точку v с вероятностью пропорциональной [d(u; v)]-r. (чтобы получить распределение мы разделим эту величину на соответствующую нормализующую константу v[d(u; v)]-r , и назовем обратным распределением r степени).



Рис. (А) Двухмерная сетка с n = 6, p = 1, q = 0 (B) Контакты узла u при p = 1, q = 2, где v и w – дальние контакты.
Эта модель имеет простую географическую интерпретацию: индивидуумы «живут на сетке» и знают в некотором количестве шагов во всех направлениях своих соседей, также у них есть несколько знакомых, живущих подальше. Считая p и q фиксированными константами, рассматривают однопараметрическое семейство сетей, зависящее от показателя r. При r = 0 мы получаем равномерное распределение дальних контактов ( они выбираются независимо от своей позиции на сетке), базовое распределение Ватса и Строгатца. При увеличении r дальние контакты узла становятся все ближе и ближе друг к другу. Таким образом, r служит базовым параметром измеряющим, как широко разветвлена данная сеть.

Алгоритмическая компонента модели основывается на эксперименте Милграма: мы начинаем с двух случайных узлов в сети s и t, наша цель – передать сообщение от s к t, за как можно меньшее количество шагов.



3.2 Децентрализованные алгоритмы


Мы изучаем децентрализованные алгоритмы - механизмы, посредством которых сообщение переходит последовательно от текущего узла к одному из (локальных или дальних) контактов, основываясь только на локальной информации. На каждом шаге держатель сообщения обладает следующими знаниями:

- множество локальных контактов

- местоположение цели t на решетке

-местоположение и дальние контакты всех узлов, которые были держателями сообщения.

Ожидаемое время доставки децентрализованного алгоритма – ожидаемое количество шагов, которое делает алгоритм для доставки сообщения по сети, порождаемых в соответствии с обратным распределением r степени, от источника к цели, случайно равномерно выбираемых из набора узлов. Конечно, ограничение алгоритма знанием только локальной информации критично для нашей модели. Если бы мы на каждом шаге имели всю информацию о локальных и дальних контактов узлов в сети, то короткая цепь могла бы быть посчитана очень просто.

На самом деле можно показать, что для построения каждого шага децентрализованного алгоритма достаточно только первых двух знаний.




3.3 Результаты применения модели


Результатов показывают, как структура сети влияет на способность децентрализованного алгоритма строить короткие пути.

При r = 0 имеем равномерное распределение дальних контактов. Используя результаты теории случайных графов, можно показать, что с большой вероятностью пути между каждыми двумя парами точек существуют, и длины этих путей ограничены полиномом от log n. Впрочем, не существует децентрализованного алгоритма, способного их найти.


Теорема 1:

Существует константа a0, зависящая от p и q, независящая от n такая, что при r = 0 ожидаемое время доставки любого децентрализованного алгоритма не меньше a0n2/3.


При увеличении r децентрализованный алгоритм может использовать преимущества «географической структуры» дальних контактов, в то же время, эти контакты становятся менее полезными при пересылке сообщения на дальние расстояния. Существует значение r, при котором найден компромисс, широко используемый алгоритмически – это r = 2, обратно-квадратичное распределение.
Теорема 2:

Существует децентрализованный алгоритм А и константа a2, независящая от n, так что при r = 2 и p = q = 1, ожидаемое время доставки не больше



a2(log n)2.
Эта пара теорем отражает фундаментальное следствие нашей модели: когда дальние контакты формируются независимо от геометрии решетки, короткие цепи существуют, но узлы, связанные только локальными контактами не могут их обнаружить. В тоже время, когда дальние контакты создаются процессом, связывающих их определенным образом с геометрией решетки, короткие цепи будут существовать и узлы, оперирующие на локальном уровне, могут их построить.

Опишем главные предположения этих теорем. Децентрализованный алгоритм A из теоремы 2, строится следующим образом: на каждом шаге текущий держатель сообщения выбирает контакт наиболее близкий, в смысле сетчатого расстояния, к цели t. Заметим, что алгоритм использует даже меньше информации, чем в модели: текущий владелец сообщения не нуждается в знаниях о наборе предыдущих держателей. Для анализа мы будем говорить, что алгоритм находится в фазе j, если сетчатое расстояние между текущим держателем и целью лежит между 2j и 2j+1. Доказывается, что до фазы j ожидаемое время пропорционально log n, а так как всего может быть 1 + log n фаз, то граница пропорциональна (log n)2.

Результат теоремы 1 основан, прежде всего, на том факте, что равномерное распределение не позволяет алгоритму использовать «скрытые ключи» геометрии решетки. Грубо: рассмотри набор U - узлы лежащие в пределах a0n2/3 сетчатой метрики от цели t. С большой вероятностью источник s не лежит в U, и если сообщение никогда не проходило от узла к дальнему контакту в U, то количество шагов необходимых для достижения t будет, по крайней мере, пропорционально n2/3. Вероятность того, что владелец сообщения имеет дальние контакты в U, приблизительно равна n-2/3, таким образом, ожидаемое количество шагов перед посылкой сообщения дальнему контакту в U, также, по крайней мере, пропорционально n2/3 .

Более сильная теорема для этого семейства моделей: r = 2 – это единственное значение, при котором децентрализованный алгоритм способен построить цепь, длиной полиноминально зависящей от log n.


Теорема 3:

(а) 0 <= r < 2 Существует константа ar, зависящая от p, q, r, независящая от n такая, что ожидаемое время доставки любого децентрализованного алгоритма не меньше arn(2-r)/3

(b) r > 2 Существует константа ar, зависящая от p, q, r, независящая от n такая, что ожидаемое время доставки любого децентрализованного алгоритма не меньше arn(r-2)/(r-1)



lognT

(нижняя граница ожидаемого времени доставки)


Показатель r


Имитация алгоритма на сетке 20000×20000, каждая точка была пройдена примерно 1000 раз.

lnT


Показатель r.

3.4 k – мерная сеть


Хотя мы рассматриваем двумерную решетку наши результаты возможно использовать шире. Можно обобщить наши результаты на k- мерную сетевую решетку для постоянных значений k, также как и на мало упорядоченные графы с аналогичными свойствами. В k-мерном случае, алгоритм может строить пути с длиной, полиноминально зависящей от log n, если только r = k.

Результаты наводят на мысль о еще одном отличном от диаметра свойстве сети, позволяющем объяснить успех экспериментов «тесного мира». Назовем его «скорость передачи» класса сетей: минимальное ожидаемое время доставки любого децентрализованного алгоритма, работающего в случайной сети этого класса. Таким образом, видно, что минимизация скорости передачи сети – не обязательно то же самое, что минимизация ее диаметра. Может показаться не очевидным на первый взгляд, но на самом деле это формализация того, что сеть должна содержать скрытые структурные ключи, которые могут быть использованы для направления сообщения к цели. Зависимость дальних контактов от геометрии решетки в точности дает эти самые ключи.




4. Сети, поддерживающие эффективный поиск

4.1 Иерархическая сетевая модель


Во множестве задач узлы представляют собой объекты, которые можно классифицировать по какой-то иерархии. Более вероятно, что узлы сформируют связь (ребро), если они лежат в одном и том же поддереве иерархии.

Мы будем строить модель, основываясь на этой идее. Рассматривается b - арное дерево T, где b = const. V – обозначает набор листьев из T, n – размер V, для двух листьев v и w, h (v, w) – обозначает высоту их последнего общего предка в T. Также рассматривается монотонная невозрастающая функция f(), определяющая вероятность возникновения связи. Для каждой вершины v V, мы рассматриваем случайную связь с w вероятность, которой пропорциональна f(h(v,w)), другими словами вероятность выбора связи с w равна f(h(v,w))/x≠v f(h(v, x)). Для каждой вершины v мы, таким образом, создаем k связей, выбирая независимо каждый раз вершину w (число k называется внешним уровнем модели). Получится граф G с набором вершин V.

4.1.1 Модель с полилогарифмическим внешним уровнем

4.1.1.1 Описание


Рассматривается k = c log2 n, где с = const.

Важно заметить, что дерево T, используется только для создания графа G, ни ребра, ни вершины не появляются в G (в то время как решетчатая модель Ватса и Строгатца. включает и локальные и дальние связи решетки).

Если функция f (h) растет асимптотически как ,
то мы говорим о процессе создания иерархической модели степени .

Существует несколько естественных интерпретаций модели иерархической сети. Одна из них - WWW иерархия тем, например, www.yahoo.com. Каждый лист дерева соответствует Web странице. Можно сказать, что путь листа от вершины, с каждой связью все более детально описывает тему страницы. Вероятность связей здесь имеет простой смысл – она основывается на расстоянии (высоте их последнего общего предка в иерархии тем) между темами страниц. Следовательно, страница Science/Computer Science/Algorithms более вероятно будет связана с Science/Computer Science/Machine Learning, чем с Arts/Music/Opera. Конечно же, модель является сильным упрощением действительности. Структуры тем не полностью иерархичны и наверняка имеют неравномерное ветвление и глубину.

Другая интерпретация иерархической модели описывается в терминах оригинального эксперимента Mилграма. Работа, выполненная Бернардом и Килворфом, показывают, что выбор получателя письма осуществлялся участниками по одному или двум критериям: близость к цели географически и сходство профессий. Можно считать, что решетка формирует простую модель географических факторов, таким же образом можно интерпретировать иерархическую модель, как иерархию профессий, в узлах которой находятся люди. Т.о., например, профессии банкира и биржевого брокера могут находиться в одном поддереве. Если бы конечным адресатом был бы банкир, то разумно послать письмо брокеру.


4.1.1.2 Полученные результаты


Зададимся задачей поиска в графе G, построенного на основе иерархической модели. Децентрализованный алгоритм имеет знания только о дереве T и местоположении цели, впрочем, по мере посещения узлов он обучается. Степень модели  определяет, насколько сильно связаны структуры G и T. Наша задача состоит в том, чтобы понять, как значения этого показателя влияют на оптимальность построение связей в G.
Теорема 4

(а) Существует иерархическая модель со степенью = 1 и полилогарифмическим внешним уровнем, у которой время поиска децентрализованным алгоритмом оценивается O (log n).

(б) Для каждого 1, не существует иерархической модели степени с полилогарифмическим внешним уровнем, у которой децентрализованный алгоритм может достичь полилогарифмическое время поиска.




4.1.2 Модель с постоянным внешним уровнем




4.1.2.1 Описание


Рассматриваем k = const, то есть из каждого узла выходит одинаковое число внешних ссылок.
Поиск связей в этом случае становится сложнее:

  1. с большой вероятностью много узлов имеет ссылки, ведущие вдаль от цели

  2. существует постоянная вероятность того, что цель t не имеет входящих ссылок, что в свою очередь означает невозможность построения пути

Для решения второй проблемы смягчим поиск до задачи нахождения кластера узлов, содержащего t. В модели Web страниц, например, мы можем рассматривать t, как представителя желаемого типа страницы с целью найти все страницы этого типа. Таким образом, мы рассматриваем целое b-арное дерево T, где b=const. Пусть L - набор листьев T, m – размер L. Размещая r узлов на каждом листе T, сформируем набор V из n = mr узлов. Опишем граф G, используя как и раньше монотонную невозрастающую функцию f(), определяющую вероятность возникновения связи. Для каждой вершины v V, мы рассматриваем k случайных связей с w, вероятности которых пропорциональны f(h(v,w)). Каждый набор из r узлов общего листа T рассматривается, как кластер. Значение r в этом случае определяет разрешение иерархической модели.

Исходя из этой формализации, децентрализованный алгоритм, обладая знаниями о T и цели t, должен достичь любого узла в кластере, содержащего t. Очевидно, что задача становится проще при увеличении разрешения модели, следовательно целью является достижение полилогарифмического времени поиска в иерархической модели с полилогарифмическим разрешением.


4.1.2.2 Полученные результаты

Теорема 7



(а) Существует иерархическая модель степени = 1 с постоянным внешним уровнем и полилогарифмическим разрешением, у которой время поиска децентрализованным алгоритмом оценивается полилогарифмически.

(б) Для каждого 1, не существует иерархической модели степени с постоянным внешним уровнем и полилогарифмическим разрешением, у которой децентрализованный алгоритм может достичь полилогарифмическое время поиска.



4.2 Групповые структуры

4.2.1 Описание


Анализ задачи поиска в иерархической модели схож с анализом решетчатого подхода, хотя эти два подхода и кажутся различными. Естественно рассмотреть модель, являющуюся обобщением этих двух моделей одновременно.
Рассмотрим набор индивидуумов в социальной сети и предположим, что мы знаем определенную группу, к которой они принадлежат: люди, живущие в одном городе, имеющие одну профессию, привычку. Мы будем считать, что более вероятно установить связь людям, принадлежащим одинаковой маленькой группе. В решетчатой модели группой можно считать набор случайных точек, лежащих в одном шаре (группирование основанное на близости), в иерархической - множество листьев лежащих в общем поддереве.
Групповая структура состоит из набора V узлов и собрания подмножеств V (групп). Собрание групп должно включать само V и должно удовлетворять двум следующим свойствам, для констант λ < 1 и β > 1.

  1. если R - группа размером q>= 2, содержащая узел v, то существует группа R R, содержащая v, строго меньшая R, но имеющая размер не меньше λq.

  2. если R1,R2,R3, . . . – группы, имеющие размер не больше q и содержащие общий узел v, то их объединение имеет размер не больше βq.

Упр. Убедитесь, что этими двумя свойствами обладают шары в решетке и собрание поддеревьев в иерархии.


Раcсмотрим процесс создания графа V, имея групповую структуру (V, {Ri}) и монотонную, невозрастающую функцию f (). Для двух узлов v и w будем использовать q(v, w) для обозначения минимального размера группы, содержащего и v и w (такая группа должна существовать, т.к. V сама по себе группа). Для каждого узла v V создается случайная связь с w, вероятность которой пропорциональна f(q(v,w)), повторяя этот процесс независимо k раз, получим k связей из v.

Если функция f (q) растет асимптотически как q-a, то мы говорим о процессе создания индуцированной групповой модели степени .

Децентрализованный алгоритм в такой сети обладает знаниями о всей групповой структуре и должен построит связи в G к конечной цели t.

4.2.2 Полученные результаты

Теорема 5 :



(а) Для каждой групповой структуры существует индуцированная групповая модель степени = 1 с полилогарифмическим внешним уровнем, у которой время поиска децентрализованным алгоритмом оценивается O (log n).

(б) Для каждого < 1, не существует индуцированной групповой модели степени  с полилогарифмическим внешним уровнем, у которой децентрализованный алгоритм может достичь полилогарифмическое временя поиска.


Упр. Как вы думаете почему в п. (б) теоремы < 1?

Ответ: Существуют индуцированный групповые модели степени > 1,

децентрализованные алгоритмы которых достигают полилогарифмическое время поиска.
Например, рассмотрим неориентированный граф G*, каждый узел которого имеет трех соседей, и каждая пара узлов может быть соединена путем длины O(log n). Описать структурную группу, удовлетворяющую свойствам 1) и 2), у которой каждое ребро графа G* , является 2-х узловой группой возможно, но тогда граф G, порожденный из индуцированной групповой модели большой степени , будет с большой вероятностью содержать все ребра графа G* и децентрализованный алгоритм поиска сможет использовать эти ребра для построения короткого пути до цели.
Для случая > 1 результат можно получить добавив дополнительное ограничение на групповую структуру. Из групповой структуры (V, {Ri}) и отсекающей величины q, получим граф H(q) на V, в котором соединены любые два узла, принадлежащие общей группе размера не больше q.
Теорема 6 :

Пусть (V, {Ri}) - групповая структура. Предположим, существуют константы γ, δ > 0 такие, что некоторая часть всех пар узлов имеет короткие пути (n) в H(n). Тогда для любого > 1 не существует индуцированной групповой модели на (V, {Ri}) степени с полилогарифмическим внешним уровнем, у которой децентрализованный алгоритм может достичь полилогарифмическое время поиска.



5. Выводы

Различные постановки алгоритмических работ рассматривают задачу передачи локальной информации, например, задача о составлении таблиц маршрутов для сетей общения, задача об ориентировании робота в незнакомом окружении. Результаты Джона Клайнберга несколько отличаются от полученных ранее, но их объединяет общая цель - нахождение численных свойств сетей, позволяющих легко обрабатывать передачу локальной информации, и разработка модели, позволяющей оценить эффективность схем передачи информации. Хотя он описывал только чистые модели, его результаты могут быть обобщены на сети «тесного мира». Соотношение между локальной структурой и дальними контактами дает нам фундаментальные ключи для нахождения путей в сети. Когда это соотношение вблизи критического порога, структура дальних контактов формирует, что- то типа градиента, позволяющего индивидуумам эффективно отправлять сообщения к цели. Как только соотношение падает ниже критического значения и социальная сеть становится однородной, то эти ключи исчезают. В пределе, когда дальние контакты созданы случайно равномерно, эта модель описывает мир, где короткие цепи существуют, но индивидуумы, дезориентированные в социальных контактах, не могут их найти.



6. Открытые вопросы





  1. Пути логарифмической длины. Было бы интересно знать, существует ли децентрализованный алгоритм d-мерной решетки со степенью = d, строящий пути длины O (log n), проходя только через полилогарифмическое число узлов

  2. Вопрос Фрагно. Возможность обеспечения любого графа эффективным поиском, добавлением к нему дальних связей.

  3. Расширение групповой модели. Теорема содержала позитивный результат для сеток и иерархий и содержала негативный для случая, когда дальние связи были «слишком дальними» (при < 1). Но существуют системы, удовлетворяющие условиям теоремы, для которых и при > 1 существуют эффективные децентрализованные алгоритмы. Было бы интересно найти вариацию условий теоремы для нахождения ее более точной формулировки.

  4. Существующие модели, поддерживающие эффективный децентрализованный поиск статичны: они знают как организована сеть, лежащая в их основе, но не обладают знаниями о ее развитии. Какие из развивающихся процессов могут сделать поиск по сетям более эффективным?

  5. Предположим, что узлы - посредники(передающие сообщение по цепочке) ведут себя «осознанно», требуя компенсацию за их участие в процессе передачи информации. Как изменятся результаты децентрализованного поиска с учетом такого поведения сети?

  6. Реконструкция сетей. Например, у нас есть данные о передачи сообщений в организации, наша цель – реконструировать иерархическую структуру, предполагая, что частота передачи сообщений уменьшается в соответствии с иерархической моделью или реконструировать позицию узлов, предполагая, что частота передачи сообщений уменьшается в соответствии с моделью решетки.


7. Ссылки





    1. J. Kleinberg. Navigation in a Small World. Nature 406 (2000)

    2. J. Kleinberg. The small-world phenomenon: An algorithmic perspective. Proc 32nd Symposium on Theory of Computing, 2000

    3. J. Kleinberg. Small-world Phenomena and the Dynamics of Information. Advances in Neural Information Processing Systems (NIPS) 14, 2001.

    4. J. Kleinberg, P.Raghavan. Query Incentive Networks. Proc 46 th IEEE Symposium of Foundations of Computer Science, 2005.

    5. S. Milgram, The small world problem. Psychology Today 1 (1967)/

    6. J. Kleinberg. The small world phenomenon and Decentralized Search, SIAM News, Volume 37, number 3, april 2004

    7. Домашняя страница Джона Клайнберга.



скачать файл



Смотрите также:
3. Сетевая модель 4
235.57kb.
Внутренняя модель математической практики для систем автоматизированного конструирования доказательств теорем
238.35kb.
Т. Г. Варкентин модель двигательного режима. Лето
46.75kb.
Инновационная модель антикризисной модернизации российской экономики
171.93kb.
1. Математическое описание связи. Модель парной регрессии
215.38kb.
Субъектно-ориентированная модель российского развития
99.36kb.
Инструкция для радиотелефона модель
22.13kb.
4-осная цистерна для ядохимикатов, модель 15-1432
32.89kb.
Модель и ее обозначение согласно стандартной карты
101.02kb.
Qo = 80кBт; хладагент – R717; задача №2: продукт свинина; физическая модель цилиндр; характерный размер 2R
164.33kb.
Конфайнмент-модель Работа с командой в стиле House M. D
8.64kb.
«Кислород. Оксиды. Горение»
89.23kb.