[논문 리뷰] Central limit theorem for statistics of subcritical configuration models

Siva Athreya, D. Yogeshwaran|arXiv (Cornell University)|2018. 08. 21.

Stochastic processes and statistical mechanics참고 문헌 27인용 수 5

한 줄 요약

이 논문은 약간의 모멘트 및 분산 조건 하에, 하위임계 구성 랜덤 그래프에서의 덧셈 통계량에 대해 중심극한정리(CLT)를 수립한다. 변동성이 있는 정도 수열이 선형 성장 조건을 만족하고 통계량이 하한이 있는 분산과 유한한 네 번째 모멘트를 가질 경우, 변동성 탐색 과정을 통해 마팅게일 차이 배열을 구성하고, 마팅게일 배열에 대한 McLeish의 CLT를 적용하여 점근적 정규성을 증명한다.

ABSTRACT

We consider sub-critical configuration models and show that the central limit theorem for any additive statistic holds when the statistics satisfies a fourth moment assumption, a variance lower bound and the degree sequence of graph satisfies a growth condition. If the degree sequence is bounded, for well known statistics like component counts, log-partition function, and maximum cut-size which are Lipschitz under addition of an edge or switchings then the assumptions reduce to linear growth condition for the variance of the statistic. Our proof is based on an application of the central limit theorem for martingale-difference arrays due to Mcleish (1974) to a suitable exploration process.

연구 동기 및 목표

• 하위임계 구성 랜덤 그래프에서의 덧셈 통계량에 대해 중심극한정리를 수립하기 위해.
• 점근적 정규성이 성립하는 데 필요한 최소한의 모멘트 및 분산 조건을 규명하기 위해.
• 에르되시-레니 모델을 넘어서 주어진 정도 수열을 가진 더 일반적인 희박한 랜덤 그래프 모델로 CLT 결과를 확장하기 위해.
• 성분 수, 로그-분할 함수, 최대 컷 크기와 같은 잘 알려진 그래프 통계량에 적용 가능한 일반적 프레임워크를 제공하기 위해.
• 유계 정도 수열의 경우 CLT가 분산의 선형 성장 조건을 확인하는 것으로 축소됨을 보여주기 위해.

제안 방법

• 총 정도가 짝수인 주어진 정도 수열을 사용하여 구성 모델을 통해 무작위 그래프를 구성한다.
• 변동성 탐색 과정을 활용해 필터링을 생성하고, 통계량의 점진적 변화에 기반한 마팅게일 차이 배열을 정의한다.
• 마팅게일 차이 배열에 대한 McLeish의 중심극한정리를 적용하여 정규성 수렴을 확립한다.
• 점근적 정규성을 보장하기 위해 정도 수열(성장 조건)과 통계량(네 번째 모멘트, 분산 하한)에 조건을 부과한다.
• 코시-슈바르츠 및 공분산 감쇠 추론을 사용하여 마팅게일 차이 항의 분산을 제어한다.
• 하위임계성을 활용하여 탐색 과정에서 의존성의 빠른 분리가 이루어지도록 하여 CLT가 성립하도록 한다.

실험 결과

연구 질문

• RQ1 하위임계 구성 모델에서 덧셈 통계량에 대해 중심극한정리가 성립하는 조건은 무엇인가?
• RQ2 통계량의 모멘트 및 분산 조건이 정도 수열의 성장과 어떻게 상호작용하여 점근적 정규성을 보장하는가?
• RQ3 성분 수나 최대 컷 크기와 같은 잘 알려진 그래프 통계량에 대해 하위임계 영역에서 CLT를 확립할 수 있는가?
• RQ4 변동성 탐색 과정이 CLT를 위한 적절한 마팅게일 차이 배열을 구성하는 데 어떤 역할을 하는가?
• RQ5 이 프레임워크는 유사한 매칭 기반 구성 방식을 가진 다른 랜덤 그래프 모델로 얼마나 넓게 확장될 수 있는가?

주요 결과

• 통계량이 유한한 네 번째 모멘트, 하한이 있는 분산을 가지며 정도 수열이 선형 성장 조건을 만족할 경우, 하위임계 구성 모델에서 어떤 덧셈 통계량에 대해서도 중심극한정리가 성립한다.
• 유계 정도 수열의 경우 CLT는 통계량의 분산에 대한 선형 성장 조건을 확인하는 것으로 축소된다.
• 증명은 변동성 탐색 과정을 통해 마팅게일 차이 배열을 구성하고, McLeish의 마팅게일 배열을 위한 CLT를 적용하는 데 의존한다.
• 저자들은 마팅게일 차이 항의 제곱합이 L1 수렴으로 1로 수렴함을 보여주었으며, 이는 CLT의 핵심 조건이다.
• 이 방법은 독립성 및 분리 성질을 만족하는 한, 유사한 매칭 기반 구성 방식을 가진 다른 모델로도 확장 가능하며, 강건하다.
• 이 프레임워크는 성분 수, 로그-분할 함수, 최대 컷 크기와 같은 구체적 통계량에 적용 가능하며, 이들은 간선 추가 또는 교체에 대해 리프시츠 조건을 만족한다.