ER 随机图与无标度网络分别假设了什么？

Table of Contents

判断归属：AI 候选。 文献事实附来源；以下推导、例子和适用边界为本次整理的解释，尚未经过用户逐项确认。

Model-and-data
#

网络模型首先要说明节点和边代表什么、图是否有向，以及要解释哪些观测特征。短路径、聚类、度分布和动态生长是不同特征；一个模型符合其中一项，并不意味着符合全部。本文比较两个机制，并区分模型推导与实际网络的证据。

Independent-edges
#

无向简单图 $G(n,p)$ 固定 $n$ 个节点，每对不同节点独立以概率 $p$ 连边。对一个节点，度 $D$ 是 $n-1$ 个独立 Bernoulli 变量之和，所以

P(D=k)=\binom{n-1}{k}p^k(1-p)^{n-1-k},\qquad \mathbb E[D]=(n-1)p.

二项分布才是有限 $n$ 的精确结果。当 $n$ 大、 $p$ 小且 $(n-1)p\to\lambda$ 时，才得到泊松近似

P(D=k)\approx e^{-\lambda}\frac{\lambda^k}{k!}.

给定两个节点都是某节点的邻居，它们之间的边仍以概率 $p$ 独立存在。因此三角闭合的概率是 $p$ ，不是无条件“随机图的聚类系数都很低”；低聚类通常对应稀疏的参数选择。短路径或连通性也依赖参数，不能只写 ER 名称就保证全部节点可达。模型定义的文献背景见网络来源。

Growth-and-attachment
#

Barabási–Albert 模型添加新节点，并让它以与既有节点度数成正比的概率连接：

\Pi(i)=\frac{k_i}{\sum_jk_j}.

若每个新节点添加 $m$ 条边，经过大量时间后总度约为 $2mt$ ，平均度接近 $2m$ 。原论文连续近似推得度分布尾部约为 $P(k)\propto k^{-3}$ ；这里引用的是特定模型结论，而非声称优先连接是所有现实幂律的唯一原因。机制、推导和局限见原论文 p.510–511。

这和固定节点、独立连边不同：过去获得更多连接的节点更容易继续获得连接。生成机制有历史依赖，并不只是把 ER 分布换一个形状。

Meaning-of-scale-free
#

幂律尾部 $P(k)\propto k^{-\gamma}$ 在尺度变换下保留同样的函数形状，但这不等于“平均度不存在”。在无上界的理想离散幂律中，均值求和的尾项近似 $\sum_k k^{1-\gamma}$ ，当 $\gamma>2$ 收敛；有限网络的度有上限，均值始终有限。BA 模型的平均度也可由边数直接算出。

小世界通常关心短距离与相对较高聚类，无标度关心度分布尾部。两个词描述不同性质，可能同时出现，却不能互相推出。度分布也不足以唯一决定网络：同样的度序列可配出不同的社团、桥接边和故障传播路径，因而不能由“有枢纽”直接给出所有系统的可靠性结论。

Evidence
#

实际数据画出近似直线并不够。需要估计幂律适用的下界、拟合参数、检查拟合是否可接受，并和对数正态、截断幂律等候选比较。Broido 与 Clauset 的研究将这些检验分开，说明“拟合得到指数”“无法拒绝幂律”“幂律优于其他模型”是不同证据；具体读取范围见实证研究 §II.1。

本文不把某一研究的数据集覆盖范围和判定规则当成所有领域的最终答案，也不沿用“现实网络普遍无标度”的无条件说法。选择模型时应记录真实网络样本、构图方式、观测时间与所需性质；纯仿真结果应标明模型假设。

区分：Zipf的排名概率不是这里的度频率。检验方向：基础机制边界问题保留如何用真实样本比较模型的任务。

Revision
#

2026-10-12：合并浅层 ER 概述与无标度解释；补二项/泊松条件、均值推导和模型选择证据，撤去平均度不存在及现实网络普遍适用的断言。修订为 AI 候选。

Model-and-data#

Independent-edges#

Growth-and-attachment#

Meaning-of-scale-free#

Evidence#

Revision#