[論文レビュー] A central limit theorem for scaled eigenvectors of random dot product graphs

Avanti Athreya, Vince Lyzinski+4 more|arXiv (Cornell University)|May 31, 2013

Random Matrices and Applications参考文献 29被引用数 13

ひとこと要約

本稿では、ランダムドットプロダクトグラフにおける隣接行列のスケーリングされた固有ベクトルに関する中心極限定理を確立し、推定された潜在的位置と真の潜在的位置との差がガウス分布の混合に収束することを示している。この結果はエレシュ＝レニーイ・グラフへも拡張可能であり、スペクトル埋め込みの漸近的正規性を活用することで、クラスタリング誤差の上限を改善するなど、洗練された統計的推論を可能にする。

ABSTRACT

We prove a central limit theorem for the components of the largest eigenvectors of the adjacency matrix of a finite-dimensional random dot product graph whose true latent positions are unknown. In particular, we follow the methodology outlined in \citet{sussman2012universally} to construct consistent estimates for the latent positions, and we show that the appropriately scaled differences between the estimated and true latent positions converge to a mixture of Gaussian random variables. As a corollary, we obtain a central limit theorem for the first eigenvector of the adjacency matrix of an Erdös-Renyi random graph.

研究の動機と目的

• ランダムドットプロダクトグラフにおける推定された潜在的位置と真の潜在的位置との残差に関する中心極限定理を確立すること。
• 一貫性の範囲を超えてスペクトル解析を2次的性質へ拡張し、より優れた統計的推論を可能にすること。
• ランダムドットプロダクトグラフモデル下で、固有ベクトルの差がガウス分布の混合に収束することを示すこと。
• ネットワーク解析におけるより正確なクラスタリングと推定のための理論的基盤を提供すること。
• Sussmanら（2014）の結果を一般化し、スペクトル統計量の漸近的分布を導出すること。

提案手法

• ランダムドットプロダクトグラフにおける潜在的位置の推定に、隣接行列のスペクトル分解を用いる。
• 真の潜在位置を初期ベクトルとして隣接行列にパワー法を適用し、真の位置を条件付きに設定する。
• 得られるベクトル成分が漸近的に正規分布に従うことを示し、スペクトルギャップのおかげで真の固有ベクトルからの誤差が無視可能であることを確認する。
• スケーリングされた推定潜在位置と真の潜在位置との差の極限分布を、ガウス確率変数の混合として導出する。
• 1次元の場合の議論を、類似の漸近的議論を用いて多次元潜在空間へと拡張する。
• ステochastic blockmodelグラフにおけるシミュレーションを通じて結果を検証し、クラスタリング誤差率を理論的上限と比較する。

実験結果

リサーチクエスチョン

• RQ1 ランダムドットプロダクトグラフにおける推定された潜在位置と真の潜在位置との差が正規分布に収束するか？
• RQ2 固有ベクトルの残差の漸近的分布はガウス分布の混合として特徴付けられるか？
• RQ3 固有ベクトルに関する中心極限定理は、ネットワーク解析におけるクラスタリング精度をどのように向上させるか？
• RQ4 エレシュ＝レニーイ・グラフの隣接行列の1番目の固有ベクトルはどのようないくつかの中心極限定理を満たすか？
• RQ5 スペクトル埋め込みの2次的性質は、ネットワークの統計的推論における誤差のより厳しい上限を導くことができるか？

主な発見

• スケーリングされた推定潜在位置と真の潜在位置との差は、分布収束の意味でガウス確率変数の混合に収束する。
• 中心極限定理は1次元および多次元のランダムドットプロダクトグラフの両方で成立する。
• エレシュ＝レニーイ・ランダムグラフの隣接行列の1番目の固有ベクトルは中心極限定理を満たす。
• シミュレーションにより、スペクトル埋め込みに基づくクラスタリング誤差率が指数関数的に減少することが示され、以前のO(log n / n)の境界を上回る性能を示した。
• 潜在位置がおおよそ多変量正規分布に近い場合、ガウス混合モデルに基づくクラスタリングはベイズ最適レートに非常に近い誤差率を達成する。
• 理論的枠組みは、交換可能なランダムグラフにおけるより正確で計算的に効率的な統計的推論を支援する。