[論文レビュー] Central limit theorems in the configuration model

A. D. Barbour, Adrian Röllin|arXiv (Cornell University)|Oct 7, 2017

Markov Chains and Monte Carlo Methods参考文献 21被引用数 7

ひとこと要約

本稿は、配置モデルにおける局所的グラフ統計量の一般化された中心極限定理（CLT）を、Wasserstein距離の誤差バウンドを用いたSteinの方法を用いて確立する。これは、弱いモーメントおよび次数分布の仮定のもとで、巨大成分のサイズが漸近的に正規分布に従うことを証明し、このモデルにおける2次分析の長年のギャップを解消する。

ABSTRACT

We prove a general normal approximation theorem for local graph statistics in the configuration model, together with an explicit bound on the error in the approximation with respect to the Wasserstein metric. Such statistics take the form $T := \sum_{v \in V} H_v$, where $V$ is the vertex set, and $H_v$ depends on a neighbourhood in the graph around $v$ of size at most $\ell$. The error bound is expressed in terms of $\ell$, $|V|$, an almost sure bound on $H_v$, the maximum vertex degree $d_{\max}$ and the variance of $T$. Under suitable assumptions on the convergence of the empirical degree distributions to a limiting distribution, we deduce that the size of the giant component in the configuration model has asymptotically Gaussian fluctuations.

研究の動機と目的

• 配置モデルにおける局所的グラフ統計量の一般化された正規近似定理の開発を目的とする。
• このような統計量の正規近似におけるWasserstein距離での明示的な誤差バウンドを提供することを目的とする。
• 一般結果を応用して、配置モデルにおける巨大成分のサイズの中心極限定理を証明することを目的とする。
• 巨大成分の2次フラクチュエーション結果の欠如に取り組むこと、これはネットワークモデリングにおいて重要であるが、長年にわたり欠落していた。

提案手法

• 正規近似にSteinの方法を用い、局所的グラフ統計量の分布と標準正規分布との間のWasserstein距離をバウンドするためのSteinカップリングを構築する。
• 局所統計量を、各頂点の半径ℓ以下の近傍に依存する関数の和として定義する。
• 依存関係を制御し、分散バウンドを導出するために、確率的置換とエッジスイッチングを用いたカップリング論法を採用する。
• 誤差バウンドをℓ、|V|、d_max、‖h‖、およびVar(T)に依存させ、適切なモーメント条件のもとでバウンドが小さくなるように保証する。
• 一般CLTを、サイズ≤ n^β の成分に属する頂点数に適用し、これは巨大成分の補集合と漸近的に同値である。
• 経験的次数分布が極限分布に収束する場合、巨大成分サイズの分散がnのオーダーのままであることを利用し、CLTを成立させる。

実験結果

リサーチクエスチョン

• RQ1 配置モデルにおける局所的グラフ統計量の一般化された中心極限定理を、明示的な誤差バウンドを伴って確立できるか？
• RQ2 弱いモーメントおよび次数分布の仮定のもとで、配置モデルにおける巨大成分のサイズは漸近的に正規分布に従うフラクチュエーションを示すか？
• RQ3 配置モデルにおける依存構造をどのように制御することで、正規近似にSteinの方法を適用できるか？
• RQ4 巨大成分サイズの分散がnのオーダーのままであることを保証する条件は何か？

主な発見

• 本稿は、任意の局所的グラフ統計量T = ∑v∈V Hvに対して中心極限定理を確立し、Wasserstein距離における明示的な誤差バウンドを提供する。ここで、Hvは頂点vの半径ℓ以下の近傍に依存する。
• 誤差バウンドはO(‖h‖⁴ d_max⁴ ℓ¹⁶ / (n σ²))であり、nが増加するにつれて近似誤差が消えることが、適切な条件下で示される。
• 配置モデルにおける巨大成分のサイズは、経験的次数分布が極限分布に収束し、分散がnのオーダーである限り、漸近的に正規分布に従うフラクチュエーションを示す。
• 遠く離れた頂点が局所統計量に与える影響が無視できる条件のもとで、巨大成分サイズの分散がnのオーダーであることが示された。
• BallとNeal（2017）がシミュレーションに基づいてCLTを予想していたが、本稿はSteinの方法を用いた厳密な証明により、それ以前の研究を拡張する。
• この方法は頑健であり、巨大成分に限らず、広範なクラスの局所統計量に適用可能であり、配置モデルにおけるネットワーク統計に広く応用可能である。