Questions tagged «spectral-graph-theory»

4
仅通过谱图理论获得的证明
我对频谱图理论越来越感兴趣,这使我感到很着迷,并且我已经开始收集一些文档,这些文档到目前为止还没有深入阅读。 但是,我对一条出现在多个来源(例如那里)中的语句感到好奇,该语句本质上说图论中的某些结果仅使用基于频谱的技术进行了证明,到目前为止,没有证据表明绕开那些技术是已知的。 除非我没有跳过,否则我不记得在迄今为止阅读的文献中看到过这样的例子。你们中有人知道这种结果的例子吗?

2
图谱划分的论文
如果是无向正则图并且S是基数\ leq | V | / 2的顶点的子集,则称S的边扩展为数量d 小号≤ | V | / 2G=(V,E)G=(V,E)G=(V,E)dddSSS≤|V|/2≤|V|/2\leq |V|/2SSS ϕ(S):=Edges(S,V−S)d⋅|S|⋅|V−S|ϕ(S):=Edges(S,V−S)d⋅|S|⋅|V−S|\phi(S) := \frac {Edges(S,V-S)}{d\cdot |S|\cdot |V-S|} 其中Edges(A,B)Edges(A,B)Edges(A,B)是AAA一个端点而B中有一个端点的边数BBB。然后将边缘扩展问题是找到一组SSS用|S|≤|V|/2|S|≤|V|/2|S|\leq |V|/2最小化ϕ(S)ϕ(S)\phi(S)。调用ϕ(G)ϕ(G)\phi(G)扩展最佳集合。 边缘扩展问题的频谱划分算法通过找到A的第二大特征值的特征向量xxx(G的邻接矩阵),然后考虑所有形式为\ {v:x {的阈值集S v)在所有阈值t上\ leq t \}。如果让\ lambda_2为矩阵\ frac 1d \ cdot A的第二大特征值,则对频谱划分算法的分析表明,该算法找到的最佳阈值集S_ {SP}满足AAAGGGSSS{v:x(v)≤t}{v:x(v)≤t}\{ v : x(v) \leq t \}tttλ2λ2\lambda_21d⋅A1d⋅A\frac 1d \cdot ASSPSSPS_{SP} ϕ(SSP)≤2ϕ(G)−−−−√ϕ(SSP)≤2ϕ(G)\phi(S_{SP}) \leq 2\sqrt {\phi(G)} 这是从奇格不等式得出的 …

3
反向图谱问题?
通常情况下,先构造一个图,然后询问有关邻接矩阵(或类似Laplacian的一些近亲)的特征值分解(也称为图的光谱)的问题。 但是反向问题呢?给定特征值,可以(有效地)找到具有该光谱的图吗?ñnn 我怀疑总体上这很难做到(可能相当于GI),但是如果您稍微放松一些条件怎么办?如果您使条件不存在多个特征值怎么办?允许具有某个距离度量的“接近”光谱的图怎么样? 任何参考或想法都将受到欢迎。 编辑: 正如Suresh指出的那样,如果允许带有自循环的无向加权图,那么这个问题就变得微不足道了。我希望能获得关于无向,无权的简单图的答案,但我也对简单的无权有向图感到满意。

2
Cheeger常数
我读了无数的文章,确定图的Cheeger常数是NPNP\mathsf{NP} -hard。这似乎是一个民间定理,但我从未找到此说法的引用或证明。我应该归功于谁?在旧论文中(等图数,J。Comb。Theory B,1989年),Mohar仅证明了“对于具有多个边的图”的主张。


1
快速计算生成树的数量
t(G)t(G)t(G)GGGnnnt(G)t(G)t(G)O(n3)O(n3)O(n^3)QGJ11n2det(J+Q)1n2det(J+Q)\frac{1}{n^2} \det(J + Q)QQQGGGJJJ111 我想知道是否有某种方法可以更快地计算。(是的,用于计算行列式的算法比算法快,但我对某些新方法感兴趣。)O (n 3)t(G)t(G)t(G)O(n3)O(n3)O(n^3) 它也有兴趣考虑特殊的图形族(平面的,也许?)。 例如,对于循环图,可以在计算经由身份算术运算,其中是的拉普拉斯矩阵的非零特征值,可以快速地为循环图计算。(将第一行表示为多项式,然后在第个单位根上进行计算-此步骤使用离散傅立叶变换,可以用算术运算完成。)O (n lg n )t (G )= 1t(G)t(G)t(G)O(nlgn)O(nlg⁡n)O(n \lg n)λ我ģÑø(ÑLGÑ)t(G)=1nλ1⋯λn−1t(G)=1nλ1⋯λn−1t(G) = \frac{1}{n} \lambda_1 \dotsm \lambda_{n-1}λiλi\lambda_iGGGnnnO(nlgn)O(nlg⁡n)O(n \lg n) 非常感谢你!

1
量子膨胀器背后的几何图形
(也在这里询问,没有回复) 甲 -quantum膨胀机是一个分布在单一组与所述属性是:a),b),其中是哈尔度量。如果我们考虑置换矩阵而不是unit分布,那么不难发现我们恢复了d-正则展开图的通常定义。有关更多背景信息,请参见例如:Harrow和Low的高效量子张量积扩展器和k-designs。(d,λ )(d,λ)(d,\lambda)νν\nuü(d)ü(d)\mathcal{U}(d)| 小号ü p p ν | =d|süpp ν|=d|\mathrm{supp} \ \nu| =d∥ èü〜νü⊗ ü†− Eü〜μHü⊗ ü†∥∞≤ λ‖Ëü〜νü⊗ü†-Ëü〜μHü⊗ü†‖∞≤λ\Vert \mathbb{E}_{U \sim \nu} U \otimes U^{\dagger} - \mathbb{E}_{U \sim \mu_H} U \otimes U^{\dagger}\Vert_{\infty} \leq \lambdaμHμH\mu_Hddd 我的问题是-量子扩展器是否接受类似于经典扩展器的任何几何解释(其中光谱间隙〜〜\sim等值法/基础图的扩展)?我没有正式定义“几何实现”,但从概念上讲,人们可以希望将纯粹的光谱准则转化为某种几何图形(在经典情况下,这是扩展器享有的数学丰富性的来源;量子的数学结构)扩展器似乎受到更多限制)。

1
使用图拉普拉斯(逆)协方差从多元高斯抽样
我们从例如Koutis-Miller-Peng(基于Spielman&Teng的工作)知道,我们可以非常快速地求解矩阵A的线性系统Ax=bAx=bA x = b,这是一些具有非负边权重的稀疏图的图拉普拉斯矩阵。AAA 现在(第一个问题)考虑使用这些图拉普拉斯矩阵AAA中的一个作为零均值多元正态分布或的协方差或(第二个问题)逆协方差矩阵。。对于每种情况,我有两个问题:N(0,A)N(0,A)\mathcal{N}(\boldsymbol{0}, A)N(0,A−1)N(0,A−1)\mathcal{N}(\boldsymbol{0}, A^{-1}) 答:我们如何有效地从这种分布中抽取样本?(通常为绘制样本,我们计算Cholesky分解,绘制标准法线,然后将样本计算为)。A=LLTA=LLTA = LL^Ty∼N(0,I)y∼N(0,I)y \sim \mathcal{N}(\boldsymbol{0}, I)x=L−1yx=L−1yx = L^{-1} y B.我们如何有效地计算的行列式?AAA 请注意,通过Cholesky分解可以很容易地解决这两个问题,但是我没有立即看到如何比仅使用标准稀疏Cholesky算法更有效地提取,该算法不会使用上述参考文献中介绍的技术工作,并且对于稀疏但高树宽图将具有三次复杂度。LLL

2
图表中的最大失衡?
令为节点和边的连通图。令表示图的(整数)权重,的总权重。则每个节点的平均权重为。令表示节点与平均值的偏差。我们称节点的不平衡。GGGG=(V,E)G=(V,E)G = (V,E)V=1…nV=1…nV = 1 \dots nEEEwiwiw_iGGG∑iwi=m∑iwi=m\sum_i w_i = mw¯=m/nw¯=m/n\bar w = m/nei=wi−w¯ei=wi−w¯e_i = w_i - \bar wiii|ei||ei||e_i|iii 假设任意两个相邻节点之间的权重最多相差,即 111wi−wj≤1∀(i,j)∈E.wi−wj≤1∀(i,j)∈E. w_i - w_j \le 1\; \forall (i,j) \in E. 问题:就nnn和而言,网络可能具有的最大不平衡度是mmm多少?更精确地说,描绘向量e⃗ =(e1,…,en)e→=(e1,…,en)\vec{e} = (e_1, \dots, e_n)。我对与结果同样满意 | → e | | 1||e⃗ ||1||e→||1||\vec{e}||_1或||e⃗ ||2||e→||2||\vec{e}||_2。 对于||e⃗ ||∞||e→||∞||\vec{e}||_\infty,可以找到一个关于图直径的简单界限:由于所有eieie_i必须加和为零,因此,如果存在大的正eieie_i,则在某处一定存在负ejeje_j。因此,它们的区别|ei−ej||ei−ej||e_i - e_j|至少是|ei||ei||e_i|,但此差异最多可能是节点iii和之间的最短距离,而该距离jjj又最多可能是图形直径。 我对更强的边界感兴趣,最好是111或222范数。我想它应该包含一些频谱图理论来反映图的连通性。我尝试将其表示为最大流量问题,但无济于事。 编辑:更多的解释。我对111或222规范感兴趣,因为它们可以更准确地反映总的不平衡状态。从得到一个平凡的关系。| → …

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.