[논문 리뷰] Spectrum of Random $d$-regular Graphs Up to the Edge

Jiaoyang Huang, Horng‐Tzer Yau|arXiv (Cornell University)|2021. 02. 01.

Random Matrices and Applications참고 문헌 74인용 수 7

한 줄 요약

이 논문은 무작위 $d$-정규 그래프의 정규화된 인cidenc 행렬의 극단적 고유값이 $2$에 다항 오차 범위 내에 집중됨을 입증한다. 구체적으로, 고유값 $\lambda_2, |\lambda_N| \leq 2 + N^{-c}$ ($c > 0$)이며, 높은 확률 $1 - N^{-1 + \varepsilon}$ 하에서 성립하며, 모든 고유벡터가 완전히 분산되어 있음을 증명한다. 분석은 국소 재표본 추출과 그린 함수 추정을 조합하여 케스텐-맥케이 스펙트럼 분포의 가장자리까지 고유값의 유연성과 분산을 확보한다.

ABSTRACT

Consider the normalized adjacency matrices of random $d$-regular graphs on $N$ vertices with fixed degree $d\geq3$. We prove that, with probability $1-N^{-1+{\varepsilon}}$ for any ${\varepsilon} >0$, the following two properties hold as $N o \infty$ provided that $d\geq3$: (i) The eigenvalues are close to the classical eigenvalue locations given by the Kesten-McKay distribution. In particular, the extremal eigenvalues are concentrated with polynomial error bound in $N$, i.e. $λ_2, |λ_N|\leq 2+N^{-c}$. (ii) All eigenvectors of random $d$-regular graphs are completely delocalized.

연구 동기 및 목표

• 케스텐-맥케이 분포의 가장자리까지 무작위 $d$-정규 그래프의 고유값 유연성을 확립한다.
• 극단적 고유값이 $2$에 다항 오차 경계 내에 집중됨을 증명하여 이전의 $O((\log \log N / \log N)^2)$ 경계를 향상시킨다.
• 고정된 $d \geq 3$에 대해 $d$-정규 그래프 집합에서 모든 고유벡터의 완전한 분산을 확립한다.
• 국소 재표본 추출에 대한 안정성과 정밀한 그린 함수 추정을 개발하여 가장자리 근처의 스펙트럼 변동을 제어한다.

제안 방법

• 국소 재표본 추출을 사용하여 그린 함수의 변동을 제어하고 안정성 추정을 유도한다.
• 확장된 그래프에서의 잼프레소르 항목과 부분그래프에서의 항목을 연결하기 위해 셸러 보조정리를 적용한다.
• 잼프레소르 항등식을 사용하여 수정된 그래프와 원래 그래프 간의 그린 함수 차이를 제한한다.
• 나무 구조를 가정하여 재귀적 추정을 통해 잼프레소르 항목의 성장을 제어한다.
• 기준 스펙트럼 측도로 케스텐-맥케이 법칙을 사용하고, $m_{sc}(z)$ 및 $\Delta(z)$를 통해 편차를 비교한다.
• 제2.12조의 그린 함수 추정을 적용하여 큰 $r$에 대해 $|m_{sc}(z)/\sqrt{d-1}|^{2r}$ 형태로 항목을 제한한다.

실험 결과

연구 질문

• RQ1 무작위 $d$-정규 그래프의 극단적 고유값이 $2$에 다항 오차 경계 내에 집중됨을 입증할 수 있는가?
• RQ2 무작위 $d$-정규 그래프의 모든 고유벡터가 완전히 분산되어 있는가?
• RQ3 그린 함수 접근법을 사용하여 케스텐-맥케이 분포의 가장자리까지 고유값의 유연성을 확립할 수 있는가?
• RQ4 $d$-정규 그래프 집합에서 두 번째로 큰 고유값의 최적 오차 척도는 무엇인가?
• RQ5 국소 재표본 추출은 밀도가 낮고 상관관계가 있는 항목을 가진 희박한 무작위 그래프에서 스펙트럼 추정을 어떻게 안정화하는가?

주요 결과

• 높은 확률 $1 - N^{-1 + \varepsilon}$ 하에서, 극단적 고유값은 $\lambda_2, |\lambda_N| \leq 2 + O(N^{-c})$ ($c > 0$)를 만족한다.
• 고유값은 가장자리까지 유연하며, 편차가 $O(N^{-c})$로 제한되어 있으며, 이는 이전의 $O((\log \log N / \log N)^2)$ 경계를 향상시킨다.
• 모든 고유벡터는 완전히 분산되어 있으며, 이는 $\ell^\infty$-노름이 $O(N^{-1/2})$임을 의미한다.
• 그린 함수 추정은 국소 재표본 추출에 대해 안정적이며, 스펙트럼 변동을 제어할 수 있다.
• 스펙트럼 밀도는 $O((\log N)^{-c}/N)$ 척도까지 케스텐-맥케이 법칙으로 수렴하며, 가장자리 보편성과 일치한다.
• 이 방법은 다항 오차 경계를 가진 알론의 추측에 대한 새로운 증명을 확립한다.