分支過程啟發（the branching-process heuristic）

分支過程啟發是隨機圖理論中最重要的單一直覺：稀疏隨機圖中一個頂點的局部鄰域看來像一棵高爾頓-沃森樹。它一舉解釋了巨大連通分量為何恰在平均度數 1 處出現、存活比例是多少，以及分量大小如何分布。它回答的問題是：為什麼一張圖會有一個由簡單規則「平均後代數大於 1」支配的相變？

把它精確化的方式是逐頂點探索一個分量。從頂點 v 開始，揭露它的鄰居；這些是它的子代。再揭露每個子代尚未見過的新鄰居；這些是孫代；如此繼續（廣度優先或深度優先）。在 G(n, c/n) 中，當我們只探索了 o(n) 個頂點時，每個未探索頂點仍各自獨立地以約 c/n 的機率為當前頂點之鄰居，故新鄰居數約服從 Binomial(n - 已探索, c/n)，它收斂到 Poisson(c) 律。因此只要已探索集相對於 n 很小，這個探索就近似一個後代分布為 Poisson(c) 的高爾頓-沃森分支過程。平均後代數為 c 的分支過程：若 c <= 1 則以機率 1 滅絕；若 c > 1 則以正機率 rho(c) > 0 存活，其中 rho 解 rho = 1 - e^(-c rho)。滅絕意味分量有限（小）；存活對應探索持續了線性時間，即碰到巨人。一旦探索了一個常數比例的頂點，此近似便失效——即「點的耗竭」——這正是阻止巨人吞沒所有人、並把其大小釘在 rho(c) n 的原因。

這個啟發是幾乎每個稀疏隨機圖結果背後的引擎：巨人的大小、小分量大小分布（即分支過程的總後裔律）、分量數目、局部結構（在 Benjamini-Schramm 意義下收斂到高爾頓-沃森樹），以及傳染病與自舉滲流的分析。它之所以重要，是因為把複雜的相依結構化約為一個可精確求解的獨立結構。要保持的誠實：它只是局部近似，在已探索集為 o(n) 時成立；耗竭的修正是必要的，正是它使巨人有限，而在臨界（c = 1）時，樸素的分支圖像必須精細化為 n^(2/3) 與布朗偏移段的標度，因為臨界高爾頓-沃森樹勉強處於次臨界或臨界，其總後裔有重（冪律、指數 3/2）尾。