2026年07月01日 第11回
ランダムネットワークやネットワークにおける指標について学んだ．
また現実世界のネットワーク構造が規則的でもランダムでもなく，
クラスタ係数は大きく平均頂点間距離が短いという特徴をもつスモールワールドネットワークであることを理解した．
クラスタ係数については定義式では理解しにくかったが，
友人関係を想像すると分かりやすかった．
具体例を用いて考えるのが大切ですね．
授業で「完全グラフだとおもしろくない」とおっしゃっていたのが今まで私には無かった感覚だったのですが，
たしかに綺麗ではあるもののおもしろくはないかもなと思えてきました．
規則的な状態からランダムになっていくと，
三角関係が減ってクラスタ係数が小さくなるのは感覚的にもすんなり理解できました．
一方で，
ランダムな方が平均頂点間距離が短くなるという点については，
最初やや直感に反する気もしましたが，
最終的には腹落ちしました．
最終的に理解できたのであれば良かったと思います．
スモールワールドのことを直感的にも数学的にも理解できた気がした．
素晴らしいですが，「気がした」というのが微妙な感じですが大丈夫ですかね．
今回の講義では，
規則的なネットワーク，
ランダムネットワーク，
その中間のスモールワールドネットワークの性質がよくわかった．
Random rewiringによるスモールワールド化の実験結果でp=10^-2付近でクラスタ係数が大きく，
頂点間平均距離が小さくなることが示されているのが興味深かった．
しかし，
それによって現実の知り合い関係のネットワークが表されると考えると，
人口の内99%は近所の人としか知り合わない（規則的）が，
1%は海外の人とも知り合うが近所の人とは知り合わないこともある（ランダム）ということになり，
実感と一致しないことが気になった．
枝の繋ぎ変え確率なので，「知り合わないこともある」ということではないです．
航空網では近距離の空港は繋がらなかったり，
人間関係では近しい人がつながりやすかったりと，
頂点の繋がり方にネットワークの特徴が出ることが面白かった．
繋がり方は特徴の一つですね．
現実世界はランダムでもなく，
規則的でもないので理想的なネットワーク構造を考えるのは非常に難しいのだと思いました．
確かに難しいかもしれませんが，何かの構造はあるということですね．
現実のネットワークについて，
クラスタ係数や平均頂点間距離など様々な観点から理解を深めることができた．
よろしいと思います．
現実のネットワークが規則的なネットワークとランダムネットワークの間に存在するスモールワールドネットワークであることが分かった．
しかし，
スモールワールドネットワークといっても平均頂点間距離やクラスタ係数によってその構造が多様に変化する．
そのため，
現実のネットワークはどのような平均頂点間距離やクラスタ係数であるのか，
またそれを調べる方法があるのか興味がわいた．
「現実のネットワークはどのような平均頂点間距離やクラスタ係数であるのか，
またそれを調べる方法があるのか興味がわいた．」
については講義でお話ししました．
私は現代のネットワークは確率pが大きいランダムネットワークだと思っていたので，
スモールワールドネットワークとして特徴づけられていることを初めて知りました．
スモールワールドネットワークは，
規則的とランダムのそれぞれの短所を補いながら，
効率的に情報を伝達できる点が興味深いと感じました．
もしかしたら，
身近なSNSなどにもスモールワールド性が見られるのではないかと思いました．
あると思いますよ．調べてみてください．
今回の講義を通して，
ネットワークにおける指標を知り，
ネットワーク同士を比較する方法を学んだ．
また，
現実的なネットワークは完全にランダムではなく，
規則的なネットワークとランダムなネットワークをあわせることでできるのが面白いと感じた．
確かに面白いところですね．
現実世界のネットワーク構造は，
平均頂点間距離が大きくなる規則的なものでも，
クラスタ係数が小さくなるランダムなものでもなく，
規則的なネットワークの枝を確率pで繋ぎかえることで，
クラスタ係数が大きく，
かつ平均頂点間距離が短くなるネットワークが形成されていると知り，
とても興味深く感じた．
理解してくれているようで良かったと思います．
クラスタ係数Cと平均頂点間距離Lという2つの指標だけで，
ネットワークの性質が大きく特徴づけられることに驚いた．
また，
CやLは，
グラフが有向グラフや重み付きグラフになったときにも利用できるのかが気になった．
CもLも有向グラフで考えることはできます．
アルゴリズムとデータ構造，プログラミングの講義・演習などで
すでに習っていると思います．
グラフ理論を用いることで，
現実の複雑な繋がりを平均頂点間距離（L）やクラスタ係数（C）といった指標で数学的に定式化できる点に面白さを感じています．
実際のデータが規則的なグラフやランダムネットワークのどちらに近い性質を持っているのか，
今後の講義でさらに詳しく学んでいきたいです．
良いコメントですね．次回以降，お話しできると思います．
現実世界では，
ネットワークによって，
隣接頂点すうに違いが結構あると思った．
確かに違いはあると思います．
本日の講義では，
無向グラフを用いたネットワークの考え方について行った．
本日の講義を通して，
現実のネットワークは規則的とは言えないが，
ランダムでもないという事を理解した．
しかしながら，
より複雑なネットワークではどのような事が言えるのかが気になった．
例えば，
人間関係の例でも，
知り合いかどうかではなく，
単に知っているかどうかで考えれば，
有向グラフで考える必要が出てくるし，
繋がりがあるかどうかという二元論的な思考だけではなく，
繋がり自体の強度(例えば飛行機ならA空港からB空港へ1日に何本とんでるかのような)を含めて考えることもできる．
このような，
より複雑なネットワークについても研究されるのか，
されているならどのようになっているのかが気になった．
有向重み付きのネットワークを考えることはもちろんあります．
規則的ネットワークとランダムネットワークの比較から，
現実の多くのネットワークが持つ「スモールワールド性」について理解を深めることができました．
特に，
わずかな枝のつなぎ変えでクラスタ係数を高く保ちつつ，
平均頂点間距離が劇的に短くなるというモデルの振る舞いが非常に興味深かったです．
確かに劇的に短くなるというのが面白いところですね．
今回の講義では，
規則的なグラフとランダムネットワークからスモールネットワークの説明がなされた．
規則的なネットワークでは平均頂点間距離が長く，
クラスタ係数が大きい．
一方，
ランダムネットワークは平均頂点間距離が短く，
クラスタ係数が小さい．
そんな中で，
スモールワールドネットワークの平均頂点間距離が短く，
クラスタ係数が大きいという中間的な特徴が，
枝を確率pで繋ぎ変えることでうまく表現できるというのは驚きだった．
またランダムネットワークに関して，
頂点数が少なかったり枝数が少なかったりすると，
たまたま平均頂点間距離が長かったり，
もしくはクラスタ係数が大きいようなグラフが作成されやすくなると思った．
この実験には十分大きな頂点数と枝数が必要だと考えた．
枝数が多いとそれだけで距離が短くなるので， 比較的粗なネットワークを考えます．
現実世界のネットワークでは，
例えば大学の友人とすると，
何かしらのバックグラウンド(趣味など)で集まった集団が形成され，
その中では多くの三角形があるためC_Oが大きい．
一方で完全な規則的なネットワークと違うのは，
友人は私と異なるサークルに所属していたり，
出身高校の友人とのつながりなど，
集団外にもネットワークがちらほらある．
これにより，
L_Oは規則的なものより短く，
L_Rに近いものとなる．
という理解に至った．
これはコミュニティ構造に近い話ですかね．次回触れましょう．
スモールワールドネットワークは短い平均頂点間距離と高いクラスタ係数を両立できることがわかり，
現実世界のネットワークの特徴をうまく説明できるモデルだと感じた．
そうですね．うまく両方を取り入れていると思います．
現実的なネットワークであるsmall world networkを規則的なネットワークとランダムネットワーク中間的なものであるという考え方は面白く一見正しそうに思えたが次数分布についておかしな所があるというところに驚いた．
ある論文を読んだりするときはなんかどこかに欠陥があるのではないかという姿勢で読むのが研究をする上で重要なのかなと感じた．
良いコメントだと思います．次回触れましょう．
スモールワールドネットワークについて学んだ．
規則的なネットワークとランダムなネットワークの両方の特徴を持つことから，
それぞれの長所を活かした構造なのだと感じた．
一方で，
理論については理解できたものの，
実際に現実世界へ応用する際には，
どのような手順で設計・実装されるのかが気になった．
現実世界のネットワークのデータに対して適用した結果は説明したと思います．
スモールワールドネットワークの次数分布が，
満遍なく広がっている訳ではなくて，
1箇所が高くて他はそこそこという分布が，
現実世界と同じで興味深かった．
また，
規則的である，
ランダムである場合を想定してそれを否定していくのが背理法的な考え方で理解が深まった．
次回話しますが，現実世界と同じではないです．
中間の複雑さについては，
確かによく作り込まれており，
大変面白いと感じました．
しかし，
離散数学および演習やデータ構造とアルゴリズムでは，
規則的な一つの完全グラフが問題として出題されると解きやすく，
とても嬉しかったため，
複雑な気持ちにもなりました．
基本なのでそれはそれで大切なところだと思います．
規則的なネットワーク，
ランダムなネットワークから現実のネットワークを考えていくのが面白いと感じた．
そうですね．面白いと思います．
US air lineの例がとても理解しやすかった．
クラスタ性が高いネットワークでは,近いノード同士がまとまってつながっているため,平均最短経路長も短くなるように感じた.しかし,クラスタ性はあくまで局所的なつながりの強さを表す指標で,ネットワーク全体で遠くのノードへ少ないステップで到達できるかどうかとは別の性質であると分かった.
クラスタ性が高いだけでは平均最短経路長が短くならない具体例や,ハブのような長距離のつながりが平均最短経路長にどの程度影響するのかが気になった.
ハブについては次回話します．
ネットワークの指標定義やスモールワールド性の概念は概ね理解できた ．
特に，
実際のネットワークにおける高いクラスタ係数が現実のシステムを適切に抽象化している点には興味を持った ．
一方で，
確率pの変化に伴う指標の変化速度については直感的な理解が難しかった ．
この確率pは現実の現象や制約と具体的にどのように紐づけて設定されるのか疑問に思った．
pを少しだけ変化させるとLが短くなるというところですが，
これはショートカットが発生するので，一気にLが短くなるということですね，
現実世界のネットワークを再現するために規則的なネットワークとランダムネットワークのトレードオフを確率で連続的につなぐ発想に興味を持った．
単純な二者択一ではなく1つのパラメータを調整するだけで両者の性質を連続的に行き来でき，
再現したい現実のネットワークに合わせて調整することができる点で非常に優れていると思った．
そうですね．連続的に変えているので，そこもポイントだと思います．
本日の講義では，
平均頂点間距離が短いかつクラスタ係数が大きい，
中間の複雑さを表現するネットワークを表すために，
確率p(0<p<1)で枝をランダムにつなぎかえられたものがsmall world networkであることがわかった．
理解できましたか．
規則的なグラフの枝を数本ランダムに繋ぎ変えるだけで，
全体の平均距離が一気にガクッと下がるのが見ていて面白かったです．
そうですね．一気に下がりますね．
前回の講義では我々の世界における複雑ネットワークが中心だったが，
今回はグラフ理論を中心に現実世界のネットワークの構造について学んだ．
規則的でもランダムでもない中間の複雑さを有するスモールワールドネットワークについて，
まだ理解しきれていない部分があるため，
前回の講義で学んだことと結び付けながら再度復習して理解をしておきたいと思う．
ぜひ復習してください．
本日の講義は，
規則的なグラフやランダムネットワークの違いから始まり，
平均頂点間距離やクラスタ係数などスモールワールドネットワークのモデルについて学ぶという内容であった．
規則的なネットワークはクラスタ係数が大きい一方で頂点間距離が長く，
ランダムネットワークは頂点間距離が短い一方でクラスタ係数が小さいという違いがあり，
その中間(クラスタ係数は大きく，
頂点間距離は小さい)の性質を持つスモールワールドネットワークが，
確率pで枝を繋ぎ変えるという単純な操作で作られる点が興味深かった．
また，
現実の様々なネットワークをランダマイズしたネットワークと比較すると，
平均頂点間距離はランダムネットワークとほぼ同じだが，
クラスタ係数はランダムネットワークより有意に大きいという結果から，
現実のネットワークの多くがスモールワールド性を持つことがよく分かった．
よく理解していると思います．
現実世界のネットワークをスモールワールドネットワークとしてモデル化する考え方は面白いと感じた．
平均頂点間距離を求める際に用いるダイクストラ法は2年生の講義で学んだが，
その当時は実際の活用例まで調べる機会はあまりなかったため，
複雑ネットワークの解析にも活用されていることが印象的だった．
また，
授業では航空網などが紹介されていたが，
「クラスタ」という言葉から感染症の拡大予測への応用を連想した．
ある意味通じるところはあるかもしれません．
現実世界のネットワークをランダム化したものと比較するやり方は本当に賢いなと感じた．
前回，
本当に世界は小さいのか？という疑問に客観的な答えを出すのは不可能だろうと思っていたが，
今回の講義を通じて，
考え方や指標の導入などで客観的な答えを出せるということを学べた．
そうですね．数値が物語りますね．
スモールワールドネットワークは，
「平均頂点間距離が小さい」と「クラスター係数が大きい」のどちらも満たしていて，
一瞬尤もらしいと感じたが，
その分布を見てみると平均に対して左右対称的になっており，
現実にあるような偏りのある分布とは異なっていたことが分かり，
疑いを持って論文を見ることの大切さを学びました．
よく理解してくれていると思います．
前回の講義で手紙渡しの実験を聞いて，
非常に興味を持った．
今回の講義でさらに理解を深めることができた．
よろしいと思います．
現実世界のネットワーク構造は規則的でもランダムでもないことを平均頂点間距離とクラスタ係数から評価できたことが興味深く感じました．
カオスも決定論的でありながら長期的にはランダムのようにふるまい，
規則と不規則の性質を併せ持っているので何か共通点があるのではないかと感じました．
なるほど．良いコメントですね．
スモールワールドネットワークを理解できました．
よろしいと思います．
本講義では平均頂点間距離やクラスタ係数などのネットワークを特徴づける指標などについて学習した．
ランダマイズしたネットワークとオリジナルのネットワークのクラスタ係数や平均頂点間距離の比を求めることで，
スモールワールド性を評価できるのが印象的だった．
方法は理解してくれたようで良かったと思います．
今回の講義において，
規則的でもランダムでもない中間の複雑さを有するネットワークを表現するのは難しいと感じた．
今回の話がまさに表現しているというところです．
現実世界のネットワークは，
規則的な構造とランダムな構造の中間にある複雑なものであることが分かった．
よろしいと思います．
今回は，
現実世界のネットワーク構造が規則的でもランダムでもない，
中間の複雑さを持っている「スモールワールドネットワーク」であることを理解することができた．
完全な規則的，
または完全なランダムの性質を持っている単純な構造ではなく，
規則的，
ランダムのどちらの構造も持っているという部分に現実世界の構造を考えることの複雑さや難しさを感じたが，
それと同時に面白いとも感じた．
理解してくれましたね．面白いですよね．
ネットワークが規則的であるとクラスタ係数が大きく平均頂点間距離が長く，
ランダムであるとクラスタ係数が小さく平均頂点間距離が短いことが分かった．
スモールワールドネットワークは，
p.43のグラフにおいて，
クラスタ係数がpが大きいほど傾きが大きく，
平均頂点間距離がpが小さいほど傾きが大きくなることから，
作られるのかと思った．
pを少し変えただけでLは一気に下がりますね．
それに対してCはpを少し変えたくらいではあまり変化しないということですね．
規則的なグラフ，
ランダムなグラフ，
またそれらを特徴づける平均頂点間距離Lやクラスタ係数Cの関係を学んだ．
そして現実世界の複雑かつランダム要素のあるネットワークを表すために，
枝を確立的に変えて現れるスモールワールドネットワークも学んだ．
スモールワールドネットワークの現実での例などの対応がまだ上手く掴めないため，
理解したい．
わからないところは質問してください．
現実世界でのネットワークは規則的ではない．
規則的ならば平均頂点間距離が大きくなってしまうことに矛盾してしまうからである．
また，
ランダムでもない．
ランダムであると知り合いの知り合いが知り合いではなくなってしまうからである．
このように規則的でもランダムでもない現実世界のネットワークでは中間の複雑さを有していることがわかり，
確率pを用いて枝の数を決定する発想は面白いと感じた．
理解してくれましたね．面白いですね．ポイントだと思います．
現実世界のネットワークについて，
同じコミュニティに属している人が多くいるため，
クラスタ係数が大きく，
そこからつながりが生まれるため平均頂点間距離が短いということは，
日常生活を考えれば当たり前だと感じていましたが，
規則的，
またはランダムという状態に分類しようとすると，
それは複雑な状態であるということが意外で面白かったです．
生きている現実世界は日常すぎて当たり前だと思っていましたが，
ネットワーク構造として分析するとその複雑さを感じることができました．
我々がいる世界もネットワーク的な観点から考えると面白いことがたくさんありますね．
今回の講義では，
現実世界のネットワークとランダムネットワークに関して，
平均頂点間距離とクラスタ係数を用いて比較を行い現実世界のネットワークの評価を行う方法について学び，
感覚ではなく数値的に現実世界のネットワークが規則的でもなく，
完全にランダムでもないことが理解できた．
よろしいと思います．
平均頂点間距離やクラスタ係数など, ネットワークの特徴を表す指標について学び, それぞれの意味を理解した.
よろしいと思います．
クラスタ係数の正規化について，
最初は理解に戸惑ったが，
現実のネットワーク(友人関係とか)では，
「ある知り合いと，
別の知り合いが何かしらの関係を持ちうる可能性が高い(同じ地域に住んでる等)」なのに対し，
ランダムだと「ある点と別の点が繋がっている確率は一定」であり，
規則性がない=ランダムと紐付いて理解できた．
また，
現実のネットワークは規則的でないと習ったとき，
部分的に見れば規則的(完全グラフに近い)になるのではないかと思ったが，
それがスモールワールドネットワークというものなのだと言われてスッキリした．
スッキリしたのであれば良かったと思います．
ある程度規則的な構造だが,特定の空港に枝が集まりやすいという空港の例のおかげで,現実世界のネットワークが,規則的とランダムの中間的な構造を持つことが理解できた.
よろしいと思います．