🌀 nonlinear sciences

The structure of networks that evolve under a combination of growth, via node addition and random attachment, and contraction, via random node deletion

本文提出了在随机节点添加与删除平衡作用下演化的网络的时间相关及渐近度分布的解析结果，揭示了虽然增长型网络会收敛至具有类泊松尾部的稳态分布，但收缩型网络的收敛行为则取决于其相对于网络最终消失的具体收缩速率而表现出不同的特征。

原作者： Barak Budnick, Ofer Biham, Eytan Katzav

发布于 2026-08-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Barak Budnick, Ofer Biham, Eytan Katzav

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

几十年来，科学家们一直痴迷于研究连接如何在构成我们世界的复杂网络中形成与断裂，这些网络从人类大脑中的神经元到社交媒体平台上的友谊都涵盖其中。这些网络并非静态的；它们是不断变化的生命系统。在许多情况下，我们了解它们是如何增长的：新成员加入并与现有成员建立联系，这通常会产生少数高度连接的核心节点和许多孤立的个体。这种扩张的过程已被广泛记录。然而，相反的情景——即当成员随机离开时网络如何萎缩——却得到了较少的关注，尽管这对于理解从电网崩溃到衰老和疾病过程中脑细胞逐渐流失等现象至关重要。虽然我们知道移除过多的部分会导致系统破碎，但在系统最终崩溃之前的萎缩过程中的微妙变化，仍然是一个谜。

耶路撒冷希伯来大学的一个研究小组通过研究一个同时在增长和萎缩的网络数学模型，填补了这一空白。他们设想了一个这样的系统：在每一步中，都会增加一个新节点并将其连接到随机的现有节点，但与此同时，一个随机节点及其所有连接也会被移除。这种“拉锯战”的结果完全取决于增加速率与删除速率之间的平衡。如果新节点的到达速度快于离开速度，网络就会增长；如果离开速度更快，网络就会萎缩；如果速率完美匹配，规模则保持大致不变。研究人员利用先进的数学工具，追踪了在这些相互竞争的力量作用下，节点的“度”（即每个节点拥有的连接数）随时间演变的过程。

他们的工作揭示了这些网络的结构如何根据增长与损失之间的平衡发生令人惊讶的变化。当网络处于纯粹增长状态时，连接的分布会稳定在一个呈现缓慢衰减的可预测模式中。然而，一旦引入哪怕极微小的随机删除，网络的本质就会发生根本性的改变。不同于纯增长状态下的缓慢衰减，连接开始遵循一种看起来更像随机散射的模式，类似于完全随机网络中的连接分布方式。这种转变会立即发生，无论删除速率多么微小，这标志着网络架构的一次剧烈转型。

该研究还发现了当网络萎缩时发生的第二个更为微妙的转型。研究人员发现，网络结构适应萎缩的速度取决于删除的速度。当删除速率较低时，网络会迅速稳定为一种看起来像随机网的稳定萎缩模式。但当删除速率较高时，网络会对这种变化产生抵抗。它会在生命的大部分时间里保留其原始结构，直到在彻底消失前的最后时刻才猛然转变为新的、类随机的模式。这创造了一个明显的界限，将快速适应损失的网络与坚持到底的网络区分开来。

这些发现并非仅仅是理论上的猜测；研究人员通过构建计算机模拟来测试他们的方程，结果与他们的预测高度吻合。他们表明，这些网络行为并非从一种状态到另一种状态的平滑、连续的滑动，而是由一系列被临界点分隔的截然不同的相位组成的。一个转型标志着从纯增长向增长与损失混合状态的转变；另一个标志着从增长网络向萎缩网络的转变；第三个动态转型则将快速适应萎缩的网络与缓慢适应的网络分隔开来。

这项工作的意义超越了抽象数学。由于该模型使用随机删除，因此它适用于那些故障或成员离开并非针对特定重要节点、而是随机发生的情况。这对于理解社交网络因普遍兴趣丧失而失去用户、基因网络随生物体丢失遗传物质而变化，以及大脑在正常衰老和神经退行性疾病过程中失去神经元等场景具有相关性。研究表明，一个网络的崩溃不仅仅是失去碎片的问题，还在于剩余的部分在面对这种损失时如何重新组织自身。取决于损失的速度，网络可能会快速且高效地重组，也可能会固守其旧有的结构直到最后一刻。这种区别解释了为什么有些系统是逐渐失效的，而有些系统似乎能维持稳固，直到突然崩塌。

通过绘制出这些不同阶段的图谱，这项研究为复杂系统的生命周期提供了更清晰的图像。它表明，一个网络在增长或萎缩过程中所经历的路径是由几个关键参数决定的，且增加或移除速率的微小变化会导致截然不同的结果。研究人员对这些过程提供了完整的数学描述，为观察围绕在我们周围的互联系统的稳定性与脆弱性提供了一个全新的视角。他们的工作证实，即使在随机增加与删除的混沌过程中，也存在着等待被发现的隐藏秩序和可预测的结构。

“在通过节点增加与随机连接实现的增长，以及通过随机节点删除实现的收缩共同作用下演化的网络结构”技术摘要

问题陈述
本文研究了在增长与收缩竞争过程下的复杂网络结构演化。虽然现有的文献中存在关于纯网络增长（例如导致标度无关网络的偏好附着）和纯网络收缩（例如导致 Erdős-Rényi 结构的随机节点删除）的广泛研究，但在这两个过程同时发生的中间状态，特别是关于增长与收缩之间转换的特征，尚未得到充分表征。作者研究了一种模型，该模型通过添加孤立节点并进行随机连接，以及随机删除现有节点来进行演化。主要目标是推导随时间变化的度分布 $P_t(k)$ ，并根据增长与收缩速率之间的平衡，识别网络结构和动力学行为中的相变。

方法论
作者采用了一种结合主方程形式化与生成函数的严谨解析方法：

模型定义： 网络在离散时间步内演化。以概率 $P_{add}$ 添加一个孤立节点，随后添加 $m$ 条边连接现有的随机节点对。以概率 $P_{del} = 1 - P_{add}$ 删除一个随机节点及其关联边。
控制参数： 增长与收缩之间的平衡由 $\eta = P_{add} - P_{del}$ $η = P_{a dd} - P_{d e l}$ 量化。
- $\eta = 1$ ：纯增长。
- $0 < \eta < 1$ ：净增长。
- $\eta = 0$ ：固定平均规模。
- $-1 < \eta < 0$ ：净收缩。
- $\eta = -1$ ：纯收缩。
主方程： 推导了用于描述度为 $k$ 的节点数量 $N_t(k)$ 时间演化的主方程。该方程考虑了节点添加、边附着、节点删除以及由于删除导致的邻居度数减少。
生成函数： 为了求解耦合的微分方程，作者引入了生成函数 $G_t(u) = \sum u^k P_t(k)$ 。这把主方程转化为一个一阶非齐次线性偏微分方程。
求解： 利用特征线法，作者得到了 $G_t(u)$ 的闭式解，由此提取出随时间变化的度分布 $P_t(k)$ 。该解表示为一个依赖于初始条件的项（随时间衰减）和一个独立于初始条件的渐近项之和。

核心结果
解析推导得出的 $P_t(k)$ 闭式表达式揭示了三个截然不同的相变：

在 $\eta = 1$ 处的结构相变：
- 对于纯增长（ $\eta = 1$ ），渐近度分布 $P_{st}(k)$ 遵循指数（几何）分布。
- 对于任何删除速率（ $\eta < 1$ ），渐近分布都会发生定性变化。它由若干类类泊松项组成，并表现出类泊松尾部。作者指出，即使是极微小的节点删除速率（ $\eta \to 1^-$ ）也会诱发从指数分布到类泊松分布的结构性变化。这一转换对应于生成函数微分方程中的奇异点。
在 $\eta = 0$ 处的增长-收缩相变：
- 该相变区分了整体网络增长（ $\eta > 0$ ）与整体收缩（ $\eta < 0$ ）的机制。
- 虽然 $P_t(k)$ 的解析表达式在这一边界两侧形式上保持一致，但衰减系数 $\alpha_t$ 的行为有着本质区别。对于 $\eta > 0$ ，网络无限增长，初始条件的记忆随时间渐近衰减。对于 $\eta < 0$ ，网络在有限时间 $t_{vanish}$ 内消失，且初始条件记忆的衰减受限于这一有限寿命。
在 $\eta = -1/3$ 处的动力学相变：
- 在收缩机制内（ $-1 < \eta < 0$ ），在 $\eta = -1/3$ 处发生了一个关于趋向渐近分布 $P_{st}(k)$ 收敛速度的相变。
- 慢收缩（ $-1/3 < \eta < 0$ ）： 度分布 $P_t(k)$ 相对较快地收敛至 $P_{st}(k)$ ，并在其附近维持相当长的一段时间。
- 快收缩（ $-1 < \eta < -1/3$ ）： 收敛初期非常缓慢。度分布仅在网络消失前不久才接近 $P_{st}(k)$ 。这一现象的特征是权重系数 $w_t$ 的时间导数在 $t_{vanish}$ 处存在不连续性。

验证
解析结果通过计算机模拟进行了验证。模拟结果显示，对于各种 $\eta$ 值，模拟结果与解析预测的稳态分布及随时间演化的过程高度吻合。具体而言，模拟证实了 $\eta = 1$ 附近的慢收敛现象，以及 $\eta = -1/3$ 两侧截然不同的动力学行为。

意义与主张
本文声称提供了对在增长与随机收缩同时作用下演化的网络进行全面解析描述的首个研究。其重要性在于：

统一框架： 提供了一个适用于增长与收缩机制的单一闭式表达式来描述度分布。
识别相变： 明确识别了定义网络结构与时间行为的三种相变（结构相变 $\eta=1$ 、增长/收缩相变 $\eta=0$ 以及动力学相变 $\eta=-1/3$ ）。
洞察中间状态： 本研究阐明了收缩网络中“中间渐近状态”的概念。研究表明，对于某些删除速率，网络会在解体前展现出稳定的结构形式（ $P_{st}(k)$ ）；而对于更高的删除速率，网络会在这种结构形成之前就发生坍塌。
对删除的敏感性： 研究结果强调，引入即使是极微小的随机节点删除速率，也会从根本上改变稳态度分布的性质，使其从指数分布转变为类泊松分布，这一发现挑战了纯增长模型的鲁棒性。

作者得出结论，其解析结果与模拟结果非常吻符，为节点添加与删除之间的相互作用如何塑造网络拓扑结构提供了精确的数学理解。

类似论文