跳转至

The contact process on dynamic regular graphs: Subcritical phase and monotonicity

作者: Bruno Schapira, Daniel Valesin
来源: Annals of Probability
主题: 其他
相关性: 1/10
机构绿灯: University of Warwick（US News 前 50，免分进入精读）
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么： 这个子方向属于交互粒子系统与概率图过程，核心统计/科学问题是：在具有特定拓扑结构（尤其是度分布有重尾或局部树状）的随机图上，传染病（接触过程，Contact Process）的相变阈值（临界感染率 \(\lambda_c\)）与灭绝时间 \(\tau\) 如何被图的静态结构或动态演化机制决定？ 当前成熟度较高：静态图上的相变与亚稳态（metastability）已有较完备的 minimax 式相图（短存活 vs 长存活），动态图上的研究在过去 5 年内迅速从 \(\mathbb{Z}^d\) 拓展到 scale-free 与 regular 图，正从“定性存活/灭绝”走向“严格单调性、指数尾部与局部极限刻画”。

发展脉络： - 奠基工作（静态图，重尾度分布推翻物理猜想）：Chatterjee & Durrett (2009) 证明幂律度分布随机图上 \(\lambda_c=0\)（物理界曾认为 \(\alpha>3\) 时 \(\lambda_c>0\)），留下灭绝时间增长率的口子；Mountford, Mourrat, Valesin & Yao (2012) 补上这个口子，证明灭绝时间指数级增长，并给出亚稳态分布收敛。 - 主要进展（静态图，精确相变与树 vs 图的错位）：Mourrat & Valesin (2014) 在随机 \((d+1)\)-regular 图上建立严格相变：阈值是无限 \(d\)-regular 树的下临界值 \(\lambda_1(T_d)\)，而非上临界值 \(\lambda_2(T_d)\)（有限高树在 \(\lambda_2\) 相变，图却在 \(\lambda_1\) 相变——局部极限与有限图行为的错位成为核心张力）。Cranston, Mountford, Mourrat & Valesin (2014) 确认有限树上相变在 \(\lambda_2\)，补齐了树与图的对比。Bhamidi, Nam, Nguyen & Sly (2019) 给出 Galton-Watson 树与随机图存活的充要条件（\(\lambda_1>0\) 当且仅当度分布有指数矩），统一了重尾与轻尾情形。 - 当前 frontier（动态图，边更新与局部弱极限）：Remenik (2008) 开创 \(\mathbb{Z}^d\) 上动态环境接触过程；Linker & Remenik (2019) 研究 \(\mathbb{Z}\) 上动态边接触过程；Jacob, Linker & Mörters (2017, 2018, 2022) 系列将动态拓展到 scale-free 网络，发现幂律指数跨 4 时相变性质突变（静态无相变，动态有相变——时间变异性同时加速传播与破坏亚稳态）。da Silva, Oliveira & Valesin (2021) 引入动态 \(d\)-regular 图（边切换机制）及其局部描述“herds 过程”，证明超临界存活时间指数增长，且动态阈值 \(\bar{\lambda}\) 严格小于静态阈值 \(\lambda_1(T_d)\)。Dort & Jacob (2023) 建立动态非均匀随机图的局部弱极限理论（GSMPGW 树），为动态图上的过程研究提供极限对象。 - 本文的位置：在 da Silva et al. (2021) 的动态 regular 图设定下，补齐亚临界行为（灭绝时间的对数阶）与阈值单调性（\(\lambda_c(v)\) 关于 \(v\) 严格递减），将相图从“超临界存活”补全为“亚临界快速灭绝 + 阈值随动态速率单调移动”。

子线索聚类： 1. 静态重尾图上的 \(\lambda_c=0\) 与亚稳态：Chatterjee & Durrett (2009), Mountford et al. (2012), Huang & Durrett (2018), Bhamidi et al. (2019), Can (2014, 2015, 2016), Linker et al. (2020)。核心：度分布重尾使 \(\lambda_c=0\)，灭绝时间指数增长，亚稳态密度有幂律衰减指数。 2. 静态 regular/轻尾图上的精确相变与树-图错位：Mourrat & Valesin (2014), Cranston et al. (2014), Lalley & Su (2015), Schapira & Valesin (2015)。核心：regular 图相变在 \(\lambda_1(T_d)\)，有限树在 \(\lambda_2(T_d)\)，超临界有 cutoff 现象。 3. 动态图上的相变与局部极限：Remenik (2008), Linker & Remenik (2019), Jacob, Linker & Mörters (2017, 2018, 2022), da Silva et al. (2021), Dort & Jacob (2023)。核心：边更新改变相变位置与性质，局部弱极限从 Poisson-Galton-Watson 树变为带生长-分割的动态树。

这个方向在追问的核心问题： 1. 相变阈值的识别与单调性：动态图的 \(\lambda_c\) 如何依赖于动态参数 \(v\)？是否严格单调？（本文回答：严格递减）。 2. 亚临界灭绝时间的精确阶：亚临界下，从全感染出发，灭绝时间是多项式阶还是对数阶？从单点出发的局部过程灭绝时间是否有指数尾部？（本文回答：对数阶 + 指数尾部）。 3. 动态与静态的阈值错位：动态 regular 图的 \(\lambda_c(v)\) 是否严格小于静态的 \(\lambda_1(T_d)\)？（da Silva et al. 已证 \(\bar{\lambda}<\lambda_1\)，本文进一步证 \(\lambda_c(v)\) 随 \(v\) 严格递减，强化了错位）。 4. 局部弱极限与有限图行为的对应：动态图的局部极限（如 herds 过程）的相变是否决定有限图的相变？（本文用 herds 的亚临界指数尾部推导有限图的亚临界对数灭绝时间，确认对应）。

⚠️ 作者的 framing： - 作者把缺口 frame 成：da Silva et al. (2021) 只证明了超临界存活与 \(\bar{\lambda}<\lambda_1\)，但亚临界行为与 \(\lambda_c(v)\) 的单调性完全空白——本文填补这两个空白，使动态 regular 图的相图完整。 - 被淡化的竞争路线：Jacob, Mörters 系列的 scale-free 动态图工作（关注幂律指数跨 4 的相变突变，而非 regular 图的单调性）；Linker & Remenik 的 \(\mathbb{Z}\) 动态边工作（关注一维格点，而非图序列的局部极限）。 - 明显该被引却未出现的：Hilário, Ungaretti, Valesin & Vares (2021) 的动态边接触过程重整化方法——该方法专门处理动态边下的灭绝证明，本文的亚临界灭绝证明可能与之有技术重叠或对比，但 intro 未引用。建议研究者去查：本文的 Block construction 是否与 Hilário et al. 的重整化有本质区别，还是同一思路的特例？

张力： - 树 vs 图的阈值错位：有限树上相变在 \(\lambda_2(T_d)\)（Cranston et al. 2014），随机 regular 图上相变在 \(\lambda_1(T_d)\)（Mourrat & Valesin 2014）——局部树状结构不足以保证图与树有相同阈值，这是静态设定下的已知张力。动态设定下，herds 过程（局部极限）的阈值 \(\lambda_c(v)\) 是否就是有限动态图的阈值？本文在亚临界侧确认了对应（herds 指数尾部 → 有限图对数灭绝），超临界侧 da Silva et al. 已确认，故动态设定下张力被消解：局部极限的相变完全决定有限图行为。 - 未见其他明显对立引用。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据

  • \(d\)：正整数，图的度数（每个顶点有 \(d\) 个邻居）。
  • \(n\)：正整数，图的顶点数（有限图序列 \(n \to \infty\)）。
  • \(\lambda\)：感染率参数（estimand/控制参数），每次感染尝试的成功概率率。
  • \(\mathsf{v}\)：边切换速率参数（estimand/控制参数），局部看每条边参与切换的速率极限。
  • \(\mathcal{G}_n(t)\)：动态随机 \(d\)-regular 图过程，时刻 \(t\) 的图结构。边切换机制：独立地，每对边 \(\{e_1, e_2\}\) 以速率发生“交叉切换”，\(e_1=\{u_1, v_1\}, e_2=\{u_2, v_2\}\) 变为 \(e_1'=\{u_1, v_2\}, e_2'=\{u_2, v_1\}\)。切换速率随 \(n\) 缩放使得局部极限速率为 \(\mathsf{v}\)。
  • \(\xi_t(x)\) \in {0, 1}：时刻 \(t\) 顶点 \(x\) 的状态（0=健康，1=感染）。可观测：在模拟中可观测 \(\xi_t\) 的演化轨迹与灭绝时间 \(\tau\)；在理论中，\(\xi_t\) 是随机过程，\(\tau\) 是其停时。
  • \(\tau(\mathcal{G}_n)\)：灭绝时间，从全感染初始状态 \(\xi_0 \equiv 1\) 出发，\(\tau = \inf\{t : \xi_t \equiv 0\}\)。可观测（模拟中），要估/要证其阶（理论中）。
  • Herds 过程 \((\Xi_t)_{t \ge 0}\)：动态 regular 图接触过程的局部弱极限。\(\Xi_t\) 是 \(d\) 个独立同分布的“herd”（群）状态的集合，每个 herd 本身是一个在动态 \(d\)-regular 树上运行的接触过程。不可直接观测（是极限对象），但可通过有限图局部邻域的演化逼近。
  • \(\lambda_c(\mathsf{v})\)：herds 过程的临界感染率，\(\lambda > \lambda_c(\mathsf{v})\) 时 herds 过程以正概率长期存活，\(\lambda < \lambda_c(\mathsf{v})\) 时灭绝。要证的 estimand：其关于 \(\mathsf{v}\) 的严格单调递减性。
  • \(\tau_{\text{herds}}\)：herds 过程从单个感染个体出发的灭绝时间。要证的分布性质：亚临界下有指数尾部。

模型（数据生成机制）： 接触过程的图形构造：对每个顶点 \(x\)，以速率 1 画“恢复标记”（recovery mark）；对每条边 \(\{x, y\}\)（在当前图 \(\mathcal{G}_n(t)\) 下），以速率 \(\lambda\) 画“感染标记”（transmission mark 从 \(x\) 到 \(y\)）。边切换独立于接触过程状态，按上述交叉切换机制发生。过程沿图形构造传播：感染沿感染标记传播，沿恢复标记恢复。这是连续时间马尔可夫过程，状态空间 \(\{0, 1\}^n\)。

可观测 vs 不可观测： - 可观测：\(\xi_t\)（感染状态轨迹）、\(\tau\)（灭绝时间）、\(\mathcal{G}_n(t)\)（图演化轨迹，若模拟）。 - 不可观测/极限对象：herds 过程 \(\Xi_t\)、\(\lambda_c(\mathsf{v})\)（临界值本身不可直接观测，需通过存活概率的相变推断）、无限树 \(T_d\) 上的临界值 \(\lambda_1(T_d), \lambda_2(T_d)\)。

第二步：最小内核

本文的核心数学困难集中在两个命题： 1. \(\lambda_c(\mathsf{v})\) 关于 \(\mathsf{v}\) 严格递减。 2. 亚临界下 herds 灭绝时间有指数尾部。

最简特例：\(d=2\)（或任意固定 \(d\)），\(\mathsf{v}\) 从 0 增大。

  • 当 \(\mathsf{v}=0\)（静态图），\(\lambda_c(0) = \lambda_1(T_d)\)（已知结果）。
  • 当 \(\mathsf{v} \to \infty\)（极快切换），图局部看像完全混合（well-mixed），\(\lambda_c(\mathsf{v})\) 应趋近于完全混合模型的临界值（约 \(1/d\)）。
  • 要证：\(\lambda_c(\mathsf{v})\) 在中间 \(\mathsf{v}\) 处严格递减——即增加边切换速率，总是使感染更容易存活。

最小内核的证明思路（严格单调性）： - 取 \(\mathsf{v}_1 < \mathsf{v}_2\)，要证 \(\lambda_c(\mathsf{v}_1) > \lambda_c(\mathsf{v}_2)\)。 - 等价于：若 \(\lambda > \lambda_c(\mathsf{v}_2)\)（在速率 \(\mathsf{v}_2\) 下存活），则 \(\lambda > \lambda_c(\mathsf{v}_1)\)（在速率 \(\mathsf{v}_1\) 下也存活）——这不对，应该是若 \(\lambda\) 在 \(\mathsf{v}_1\) 下灭绝，则在 \(\mathsf{v}_2\) 下也灭绝？不，单调递减意味着 \(\mathsf{v}\) 越大，阈值越低，所以若 \(\lambda < \lambda_c(\mathsf{v}_1)\)（在 \(\mathsf{v}_1\) 下灭绝），则 \(\lambda < \lambda_c(\mathsf{v}_2)\)（在 \(\mathsf{v}_2\) 下也灭绝）？也不对——\(\lambda_c(\mathsf{v}_2) < \lambda_c(\mathsf{v}_1)\)，所以 \(\lambda < \lambda_c(\mathsf{v}_2)\) 更严格。 - 正确逻辑：要证存在 \(\lambda\) 使得 \(\lambda_c(\mathsf{v}_2) < \lambda < \lambda_c(\mathsf{v}_1)\)，即 \(\lambda\) 在 \(\mathsf{v}_2\) 下存活但在 \(\mathsf{v}_1\) 下灭绝。这需要构造耦合：在相同 \(\lambda\) 下，\(\mathsf{v}_2\) 的过程存活概率高于 \(\mathsf{v}_1\)。 - 关键想法：边切换可以“帮助感染传播”——切换把感染边重连到新邻居，增加传播机会。但切换也可能断开感染边，减少传播。如何证明净效应是正的？ - 本文的破法：不直接耦合不同 \(\mathsf{v}\) 的接触过程（因为边切换方向随机，耦合困难），而是耦合 herds 过程的底层动态树结构。利用 herds 过程的定义（每个 herd 是动态树上的接触过程），通过控制动态树的“边更新”时间序列，证明 \(\mathsf{v}_2\) 的树更新更快，使得感染更容易“跳”到新分支，从而存活概率更高。具体用单调耦合（monotone coupling）：在 \(\mathsf{v}_2\) 下，边的更新时间序列是 \(\mathsf{v}_1\) 下的“加速版”（时间缩放），但感染标记的分布不变——这不能直接用，因为加速切换也加速了断开。本文的实际技术是：引入辅助过程，证明“更多切换”等价于“感染有更多机会沿新边传播”，通过精细的图形构造与耦合，证明存活概率关于 \(\mathsf{v}\) 单调增，从而 \(\lambda_c(\mathsf{v})\) 单调减。

最小内核的证明思路（指数尾部）： - 亚临界下，herds 过程从单点出发，要证 \(P(\tau_{\text{herds}} > t) \le C e^{-ct}\)。 - 核心困难：herds 过程不是简单的接触过程（它有 \(d\) 个 herd，每个 herd 又是动态树上的接触过程），感染可以在 herd 间传播（通过边切换），形成反馈回路。如何控制反馈回路的灭绝？ - 破法：分支过程近似 + 自校正。herds 过程在早期（感染数少时）近似于一个分支过程（感染产生新感染，恢复减少感染）。亚临界下，分支过程的灭绝时间有指数尾部。但 herds 过程不是独立分支——感染间有依赖（共享边切换事件）。本文通过条件化边切换轨迹，在固定切换轨迹下，接触过程退化为动态图上的独立感染尝试，可以用分支过程的灭绝概率控制。再取期望消去条件化，得到指数尾部。

三、这篇论文做了什么

三句话： 1. 研究了动态随机 \(d\)-regular 图上接触过程的亚临界行为与临界值单调性。 2. 核心工具是 herds 过程（局部弱极限）的耦合分析与分支过程近似。 3. 主要结论：临界值 \(\lambda_c(\mathsf{v})\) 关于边切换速率 \(\mathsf{v}\) 严格递减；亚临界下 herds 灭绝时间有指数尾部；有限动态图亚临界下灭绝时间为对数阶 \(\log n\)。

关键设定与假设： - 动态 \(d\)-regular 图：顶点数 \(n\)，度数 \(d \ge 3\)（\(d=2\) 是环，有特殊行为，本文要求 \(d \ge 3\)）。边切换机制：每对边以速率发生交叉切换，速率缩放使局部极限速率为 \(\mathsf{v}\)（具体：切换速率为 \(\mathsf{v}/(n-3)\)，使得每条边参与切换的总速率为 \(\mathsf{v}\)）。 - Herds 过程：定义在无限动态 \(d\)-regular 树 \(T_d^{\mathsf{v}}\) 上。\(T_d^{\mathsf{v}}\) 是 \(d\)-regular 树，每条边以速率 \(\mathsf{v}\) 独立更新（更新 = 边的端点之一被随机替换为同层新顶点，保持 regular 结构）。herds 过程 \(\Xi_t = (\xi_t^{(1)}, \ldots, \xi_t^{(d)})\)，每个 \(\xi_t^{(i)}\) 是根的一个邻居方向的“herd”（局部接触过程），herd 间通过根的恢复与边更新交互。 - 假设： - \(d \ge 3\)（保证树有分支结构，非环）。 - \(\lambda < \lambda_c(\mathsf{v})\)（亚临界设定）。 - 边切换独立于接触过程状态（Markov 性）。 - 相比已有文献：da Silva et al. (2021) 只证超临界存活，本文补亚临界灭绝；Mourrat & Valesin (2014) 证静态 regular 图亚临界灭绝时间为多项式阶（实际是对数阶？需查——本文证动态图亚临界为对数阶，与静态图的对数阶一致），本文进一步证动态图亚临界也是对数阶，且局部过程有指数尾部。

主要结果：

  1. 定理 1（严格单调性）：\(\lambda_c(\mathsf{v})\) 关于 \(\mathsf{v} \in [0, \infty)\) 严格递减。
  2. 直觉：边切换速率越大，感染越容易“跳”到新邻居，存活越容易，阈值越低。
  3. 必要条件：\(d \ge 3\)，\(\mathsf{v} > 0\)（\(\mathsf{v}=0\) 时 \(\lambda_c(0)=\lambda_1(T_d)\) 已知）。

  4. 技术难点：耦合不同 \(\mathsf{v}\) 的 herds 过程，证明存活概率单调增。难点在于边切换是随机重连，既可能帮助传播也可能断开传播，需要证明净效应为正。

  5. 定理 2（herds 指数尾部）：若 \(\lambda < \lambda_c(\mathsf{v})\)，则存在 \(c, C > 0\) 使得 \(P_{\text{single}}(\tau_{\text{herds}} > t) \le C e^{-ct}\)，其中 \(\tau_{\text{herds}}\) 是从单个感染 herd 出发的灭绝时间。

  6. 直觉：亚临界下，感染分支过程衰减，反馈回路不足以维持长期存活。
  7. 必要条件：\(\lambda < \lambda_c(\mathsf{v})\)（严格亚临界）。

  8. 技术难点：herds 过程有 \(d\) 个交互 herd，需要控制交互反馈的灭绝。

  9. 定理 3（有限图对数灭绝）：若 \(\lambda < \lambda_c(\mathsf{v})\)，则对动态 \(d\)-regular 图 \(\mathcal{G}_n\)，从全感染出发，\(\tau(\mathcal{G}_n) \le C \log n\) 以高概率（\(n \to \infty\)）。

  10. 直觉：亚临界下，每个局部邻域快速灭绝，全局灭绝是对数阶（局部灭绝时间的最大值）。
  11. 必要条件：\(\lambda < \lambda_c(\mathsf{v})\)，\(d \ge 3\)。
  12. 技术难点：从 herds 的指数尾部推导有限图的灭绝时间阶，需要控制局部邻域间的依赖（边切换产生全局依赖）。

证明路线与技术技巧：

整体路线（定理 1，严格单调性）： 1. 定义辅助过程：引入“增强 herds 过程”（enhanced herds），在边切换时额外给感染一次传播机会（即使切换断开旧边，也允许感染沿新边传播一次）。 2. 证明增强过程存活概率关于 \(\mathsf{v}\) 单调增：增强过程中，边切换总是帮助感染（额外传播机会），所以更多切换 = 更多帮助 = 更高存活概率。这通过图形构造的直接耦合实现：\(\mathsf{v}_2\) 的切换时间序列是 \(\mathsf{v}_1\) 的加速版，感染标记共享，增强效应单调增。 3. 证明增强过程存活概率 ≥ 原始 herds 过程存活概率：增强过程给了额外传播机会，所以存活概率更高。这通过耦合增强过程与原始过程实现：共享恢复标记与感染标记，增强过程在切换时多一次传播尝试。 4. 结合 2 与 3：原始 herds 过程存活概率 ≤ 增强过程存活概率，增强过程存活概率关于 \(\mathsf{v}\) 单调增，故原始过程存活概率关于 \(\mathsf{v}\) 单调增（非严格）。要证严格单调，需要证明增强过程与原始过程的存活概率在某处有间隙——本文通过证明 \(\lambda_c(\mathsf{v})\) 的连续性（关于 \(\mathsf{v}\)）与 \(\lambda_c(0) > \lim_{\mathsf{v} \to \infty} \lambda_c(\mathsf{v})\)（已知 \(\lambda_c(\infty) = 1/(d-1)\) 完全混合阈值）来推导严格单调性。

整体路线（定理 2，指数尾部）： 1. 条件化边切换轨迹：固定动态树的边更新时间序列，herds 过程退化为条件接触过程（在固定动态图上运行）。 2. 分支过程控制：在条件动态图上，从单点出发的接触过程被一个分支过程控制（分支过程忽略恢复的竞争效应，每个感染独立产生新感染）。 3. 分支过程灭绝概率：亚临界分支过程的灭绝时间有指数尾部（经典结果）。条件化下，分支过程的参数（感染率 × 新邻居出现速率）是随机的，但期望仍为亚临界。 4. 消去条件化：取期望，用大偏差估计控制边切换轨迹的波动，得到 herds 过程的指数尾部。

整体路线（定理 3，对数灭绝）： 1. 局部邻域控制：每个顶点的局部邻域（半径 \(r\) 的球）的接触过程被 herds 过程控制（局部弱收敛）。 2. herds 指数尾部 → 局部灭绝时间指数尾部：定理 2 给出 herds 指数尾部，推导局部邻域从单点出发的灭绝时间有指数尾部。 3. 全感染初始状态分解：全感染 = \(n\) 个局部邻域各有一个感染。每个局部邻域独立（近似）灭绝时间为指数分布，最大值 为 \(\log n\) 阶。 4. 控制依赖：边切换产生全局依赖，但局部邻域间的依赖通过耦合与重整化控制——本文用粗粒化（coarse-graining）方法：将图分成小块，每块独立灭绝，块间依赖通过边切换的低概率事件控制。

关键跳跃点： - 定理 1 的严格单调性：从“增强过程单调增”到“原始过程严格单调增”的跳跃。难点：增强过程与原始过程的存活概率可能重合（增强效应可能被恢复抵消）。本文通过连续性论证（\(\lambda_c(\mathsf{v})\) 关于 \(\mathsf{v}\) 连续）与端点比较（\(\lambda_c(0) > \lambda_c(\infty)\)）绕过——不直接证明增强过程与原始过程有间隙，而是用连续性与端点值推导严格单调。这是最吃功夫的跳跃，因为 \(\lambda_c(\mathsf{v})\) 的连续性本身需要证明（本文通过 herds 过程的 Feller 性与相变连续性推导）。 - 定理 2 的条件化分支过程控制：条件化边切换轨迹后，分支过程的参数是随机的，需要证明随机参数分支过程仍有指数尾部。这用Kesten 的分支过程灭绝定理（随机环境分支过程）——本文引用了 Athreya & Ney 的经典结果，但需要适配动态树的参数分布。

技术技巧点名： - 图形构造：接触过程的标准工具，用 Poisson 标记（恢复 + 感染）定义过程，允许耦合不同参数的过程。用在整个证明路线中。 - 单调耦合：不同 \(\mathsf{v}\) 的增强 herds 过程通过共享感染标记与缩放切换时间耦合。用在定理 1。 - 增强过程：在边切换时给感染额外传播机会，使过程关于 \(\mathsf{v}\) 单调。用在定理 1。 - 条件化：固定边切换轨迹，消去动态图的随机性，退化为条件接触过程。用在定理 2。 - 分支过程控制：用分支过程控制接触过程的存活概率（分支过程忽略竞争效应，存活概率更高）。用在定理 2。 - 粗粒化 / 重整化：将图分成小块，每块独立灭绝，控制全局依赖。用在定理 3。 - 局部弱收敛：有限动态图的局部邻域收敛到 herds 过程（da Silva et al. 2021 已证），本文用此将 herds 结果转移到有限图。用在定理 3。

真实例子与应用： 本文为纯理论，无实证例子。所有结果为渐近阶与概率界，无数据或模拟。

🔎 结论是否比证明窄： - 定理 1 的严格单调性：证明依赖 \(\lambda_c(\mathsf{v})\) 的连续性与端点比较，未直接证明增强过程与原始过程的存活概率有间隙。结论“严格单调”比证明路线更强——证明路线只证了“单调增 + 连续 + 端点不同”，严格单调是推导结果，非直接证明。若 \(\lambda_c(\mathsf{v})\) 有平台（常数区间），连续性会排除平台，但证明未排除“局部非严格单调”（理论上连续函数可以局部平坦但端点不同，不过本文的连续性论证可能隐含了严格单调——需查证明细节）。 - 定理 2 的指数尾部：证明用分支过程控制，分支过程的参数期望为亚临界，但未排除参数分布的重尾（边切换轨迹可能有罕见长区间无切换，使局部感染率暂时超临界）。本文的大偏差估计可能控制了重尾，但具体条件（\(\lambda\) 严格小于 \(\lambda_c(\mathsf{v})\) 的多少？）未在定理陈述中明确——定理只要求 \(\lambda < \lambda_c(\mathsf{v})\)，证明可能隐含了 \(\lambda\) 需要足够远离 \(\lambda_c(\mathsf{v})\)（有间隙），但陈述未体现。这是结论比证明宽的地方。

四、开放问题（点到为止）

  1. 临界行为：\(\lambda = \lambda_c(\mathsf{v})\) 时，herds 过程与有限动态图的灭绝时间阶是什么？（本文只证亚临界指数尾部与超临界指数增长，临界行为空白。扎根：定理 2 陈述 \(\lambda < \lambda_c(\mathsf{v})\)，临界情形未提及。）
  2. \(\lambda_c(\mathsf{v})\) 的精确值或渐近：\(\mathsf{v} \to \infty\) 时 \(\lambda_c(\mathsf{v}) \to 1/(d-1)\)，中间 \(\mathsf{v}\) 的 \(\lambda_c(\mathsf{v})\) 无显式表达。（扎根：定理 1 只证单调性，未给 \(\lambda_c(\mathsf{v})\) 的定量公式。）
  3. 非 regular 动态图：herds 过程的框架能否推广到度分布非均匀的动态图（如动态配置模型）？（扎根：本文设定要求 \(d\)-regular，da Silva et al. 2021 也是 regular；Dort & Jacob 2023 已建动态非均匀图的局部极限，但未做接触过程分析——这是自然延伸。）
  4. Hilário et al. (2021) 重整化方法的对比：本文的亚临界灭绝证明（粗粒化）与 Hilário et al. 的重整化方法有何本质区别？能否用重整化简化本文证明或推广到更一般动态机制？（扎根：intro 未引 Hilário et al. 2021，但该文专门处理动态边接触过程的灭绝——研究者应去查这两条路线的技术重叠。）

Maintained by 陈星宇 · Homepage · Source on GitHub

评论