用于固定度的超图抽样的 Hypercurveball 算法

通过网络与随机图模型之间的比较分析，可以揭示显著偏离随机网络中网络属性的网络特性。常用于比较的标准随机图模型均通过边交换算法实现，对数据的度数相同的随机图进行均匀抽样。然而，针对超图，此类方法较少。本研究引入 Hypercurveball 算法，用于抽样具有固定度数的随机、可能是有向的的超图。通过微小调整，可实现抽样无退化超边、无自环或多超边的超图。对于大多数算法，我们证明了它们是均匀抽样还是带偏抽样。我们实验性地表明，Hypercurveball 算法在大多数情况下要快或慢于标准的 hyperedge-shuffling 算法，这是 edge-swap 算法的超边等价物。我们提出了超图度序列的若干准则，以指示 Hypercurveball 算法在标准 hyperedge-shuffling 方法之上的效率。最后，我们的实验结果表明，Hypercurveball 和 hyperedge-shuffling 算法的混合时间呈多项式比例。