Schelling's classical segregation model gives a coherent explanation for the wide-spread phenomenon of residential segregation. We consider an agent-based saturated open-city variant, the Flip Schelling Process (FSP), in which agents, placed on a graph, have one out of two types and, based on the predominant type in their neighborhood, decide whether to changes their types; similar to a new agent arriving as soon as another agent leaves the vertex. We investigate the probability that an edge $\{u,v\}$ is monochrome, i.e., that both vertices $u$ and $v$ have the same type in the FSP, and we provide a general framework for analyzing the influence of the underlying graph topology on residential segregation. In particular, for two adjacent vertices, we show that a highly decisive common neighborhood, i.e., a common neighborhood where the absolute value of the difference between the number of vertices with different types is high, supports segregation and moreover, that large common neighborhoods are more decisive. As an application, we study the expected behavior of the FSP on two common random graph models with and without geometry: (1) For random geometric graphs, we show that the existence of an edge $\{u,v\}$ makes a highly decisive common neighborhood for $u$ and $v$ more likely. Based on this, we prove the existence of a constant $c > 0$ such that the expected fraction of monochrome edges after the FSP is at least $1/2 + c$. (2) For Erd\"os-R\'enyi graphs we show that large common neighborhoods are unlikely and that the expected fraction of monochrome edges after the FSP is at most $1/2 + o(1)$. Our results indicate that the cluster structure of the underlying graph has a significant impact on the obtained segregation strength.


翻译:Schelling的古典隔离模式为住宅隔离的广泛现象提供了一致的解释。 我们考虑一种基于代理的饱和型开放城市变体,即Flip Schelling 进程(FSP),在这个变体中,在图表上,代理体在两种类型中占有一分之一,并基于其周围的主要类型,决定是否改变其类型;类似于在另一个代理体离开顶点后立即到达的新代理体。我们调查了一种可能性,即,以美元为单位,美元为美元为单位,美元为美元和美元为单位,在Flip Schelling 进程(FSP ) 中,以代理物为基础,以代理物为单位,以代理物为单位,以美元为单位,以美元为单位,以美元为单位,以美元为单位,以美元为单位,以美元为单位,以美元为单位,以美元为单位,以美元为单位,以美元为单位,以美元为单位的绝对值为单位,以美元为单位,以美元为单位,以美元为美元为单位,以美元为美元为单位,以美元为美元为单位,以美元为单位,以美元为美元为美元为单位,以美元为单位,以美元为美元为美元为单位,以美元为美元为美元为美元为单位,以美元为美元为单位,以美元为单位,以美元为美元为美元为单位,以美元为美元为美元为美元为美元为单位,以美元为单位,以美元为美元为单位,以美元为单位,以美元为单位,以美元为单位,以美元为单位,以美元为单位,以美元为美元为美元为美元为单位,以美元为美元为美元为单位,以美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为单位,以美元为单位,以美元为单位,以美元为美元为单位,以美元为单位,以美元为美元为美元为单位,以美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为美元为单位,以数为美元为美元为美元

0
下载
关闭预览

相关内容

专知会员服务
41+阅读 · 2021年4月2日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
图神经网络库PyTorch geometric
图与推荐
17+阅读 · 2020年3月22日
已删除
将门创投
4+阅读 · 2019年6月5日
PyTorch & PyTorch Geometric图神经网络(GNN)实战
专知
81+阅读 · 2019年6月1日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年4月9日
Arxiv
0+阅读 · 2021年4月6日
VIP会员
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
图神经网络库PyTorch geometric
图与推荐
17+阅读 · 2020年3月22日
已删除
将门创投
4+阅读 · 2019年6月5日
PyTorch & PyTorch Geometric图神经网络(GNN)实战
专知
81+阅读 · 2019年6月1日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员