[논문 리뷰] Spectra of edge-independent random graphs

Linyuan Lü, Xing Peng|arXiv (Cornell University)|2012. 04. 27.

Random Matrices and Applications참고 문헌 16인용 수 4

한 줄 요약

이 논문은 올리베이라와 찬그-라드클리프의 결과에서 기존에 존재하던 오차 항의 로그 인자인 $\sqrt{\ln n}$ 요소를 제거함으로써, 간선 독립적 랜덤 그래프에 대한 스펙트럼 농도 경계를 향상시킨다. 더 강한 모멘트 조건($\Delta \gg \ln^4 n$) 하에서, $\|A - \bar{A}\| \leq (2+o(1))\sqrt{\Delta}$ 및 $\|L - \bar{L}\| \leq \left(2 + \sqrt{\sum_{\lambda \in \Lambda}(1 - \lambda)^2} + o(1)\right)/\sqrt{\delta}$ 를 증명하며, 올리베이라와 찬그-라드클리프의 이전 결과보다 크게 향상된 결과를 도출한다.

ABSTRACT

Let $G$ be a random graph on the vertex set $\{1,2,..., n\}$ such that edges in $G$ are determined by independent random indicator variables, while the probability $p_{ij}$ for $\{i,j\}$ being an edge in $G$ is not assumed to be equal. Spectra of the adjacency matrix and the normalized Laplacian matrix of $G$ are recently studied by Oliveira and Chung-Radcliffe. Let $A$ be the adjacency matrix of $G$, $\bar A=\E(A)$, and $Δ$ be the maximum expected degree of $G$. Oliveira first proved that almost surely $\|A-\bar A\|=O(\sqrt{Δ\ln n})$ provided $Δ\geq C \ln n$ for some constant $C$. Chung-Radcliffe improved the hidden constant in the error term using a new Chernoff-type inequality for random matrices. Here we prove that almost surely $\|A-\bar A\|\leq (2+o(1))\sqrtΔ$ with a slightly stronger condition $Δ\gg \ln^4 n$. For the Laplacian $L$ of $G$, Oliveira and Chung-Radcliffe proved similar results $\|L-\bar L|=O(\sqrt{\ln n}/\sqrtδ)$ provided the minimum expected degree $δ\gg \ln n$; we also improve their results by removing the $\sqrt{\ln n}$ multiplicative factor from the error term under some mild conditions. Our results naturally apply to the classic Erdős-Rényi random graphs, random graphs with given expected degree sequences, and bond percolation of general graphs.

연구 동기 및 목표

• 간선 독립적 랜덤 그래프에서 인접행렬과 라플라시안 행렬에 대한 스펙트럼 농도 경계를 향상시키는 것.
• 올리베이라와 찬그-라드클리프의 이전 결과에서 존재하던 오차 항의 $\sqrt{\ln n}$ 요소를 제거하는 것.
• 더 강한 모멘트 조건 하에서 고확률 경계로서 고유값 이탈의 더 탴정한 경계를 확립하는 것.
• 에르되시-레니 및 기대도수 시퀀스, 벤드 퍼콜레이션을 포함한 일반적인 랜덤 그래프 모델으로 결과를 확장하는 것.

제안 방법

• 편차 행렬 $A - \bar{A}$ 의 스펙트럼 노름을 제어하기 위해 개선된 랜덤 행렬에 대한 찬포프 유형 부등식을 사용한다.
• 고유값 이탈과 행렬 차이의 스펙트럼 노름 간의 관계를 설정하기 위해 와이울의 정리를 적용한다.
• 기대 라플라시안 $\bar{L}$ 에 대해 랭크-$k$ 근사 조건을 도입하여 기대 도수의 비균일성을 다룬다.
• 행렬 분해 및 노름 추정 기법을 활용하며, 특히 직교 투영과 분산 경계를 통한 $\|M_4\|$ 분석을 포함한다.
• 입력별 이탈을 제어하기 위해 철저히 선택된 임계값 $\eta = \sqrt[3]{\delta}/\sqrt[3]{k}$ 를 적용한다.
• 기대 도수 행렬 $T$ 와 실제 도수의 대각행렬 $D$ 의 구조를 활용하여 $\|L - \bar{L}\|$ 를 경계한다.

실험 결과

연구 질문

• RQ1 더 강한 가정 하에서, 랜덤 그래프의 스펙트럼 이탈 경계에서 $\sqrt{\ln n}$ 요소를 제거할 수 있는가?
• RQ2 기대 도수 $\Delta \gg \ln^4 n$ 일 때, 간선 독립적 랜덤 그래프의 인접행렬에 대한 최적의 스펙트럼 농도 경계는 무엇인가?
• RQ3 기대 도수 시퀀스가 비균일할 경우, 정규화된 라플라시안 $L$ 의 스펙트럼 이탈은 어떻게 행동하는가?
• RQ4 기대 라플라시안 $\bar{L}$ 이 낮은 랭크 행렬에 의해 잘 근사되는 조건은 무엇인가?
• RQ5 에르되시-레니 모델 외에도 $\mathbf{w}$ 가 주어진 기대 도수 시퀀스를 갖는 $G(\mathbf{w})$ 와 같은 일반적인 랜덤 그래프 모델로 결과를 확장할 수 있는가?

주요 결과

• 기대 도수 $\Delta \gg \ln^4 n$ 일 때 거의 확실하게 $\|A - \bar{A}\| \leq (2+o(1))\sqrt{\Delta}$ 가 성립하며, 올리베이라의 $O(\sqrt{\Delta \ln n})$ 경계보다 향상된다.
• 정규화된 라플라시안에 대해 $\delta \gg \max\{k, \ln^4 n\}$ 조건 하에서 $\|L - \bar{L}\| \leq \left(2 + \sqrt{\sum_{\lambda \in \Lambda}(1 - \lambda)^2} + o(1)\right)/\sqrt{\delta}$ 를 확보하며, $\sqrt{\ln n}$ 요소가 제거된다.
• 기대 도수 시퀀스의 랭크 $\text{rank}(\bar{A}) = k$ 인 특수한 경우, 경계는 $\|L - \bar{L}\| \leq (2 + \sqrt{k} + o(1))/\sqrt{\delta}$ 로 단순화된다.
• 결과는 고전적 모델에 적용 가능하다: 에르되시-레니 그래프, 주어진 기대 도수 시퀀스를 갖는 랜덤 그래프, 일반 그래프에서의 벤드 퍼콜레이션.
• 증명 기법은 개선된 행렬 농도 불등식과 라플라시안 편차를 네 개의 행렬 성분으로 분해하는 데에 새로운 기법을 활용한다.
• 핵심 혁신은 도수 행렬에서 입력별 이탈을 제어하기 위해 $\eta = \sqrt[3]{\delta}/\sqrt[3]{k}$ 를 사용하는 것으로, 더 탄탄한 노름 경계를 가능하게 한다.