[论文解读] Moderate deviations in random graphs and Bernoulli random matrices

Hanna Döring, Peter Eichelsbacher|arXiv (Cornell University)|Jan 21, 2009

Random Matrices and Applications参考文献 18被引用 4

一句话总结

本文通过对数拉普拉斯变换估计和 Gärtner-Ellis 定理，建立了 Erdős-Rényi 随机图中子图计数以及伯努利随机矩阵的迹的中等偏差原理（MDP）。关键贡献在于证明了子图计数的上尾界，并在边概率 $ p(n) $ 满足一般条件时，将 MDP 扩展至具有独立或马氏依赖结构的对称 U-统计量。

ABSTRACT

We prove a moderate deviation principle for subgraph count statistics of Erdos-Renyi random graphs. This is equivalent in showing a moderate deviation principle for the trace of a power of a Bernoulli random matrix. It is done via an estimation of the log-Laplace transform and the Gaertner-Ellis theorem. We obtain upper bounds on the upper tail probabilities of the number of occurrences of small subgraphs. The method of proof is used to show supplemental moderate deviation principles for a class of symmetric statistics, including non-degenerate U-statistics with independent or Markovian entries.

研究动机与目标

• 在边概率为 $ p(n) $ 的 Erdős-Rényi 随机图中，建立子图计数统计量的中等偏差原理（MDP）。
• 将 MDP 扩展至伯努利随机矩阵的幂的迹，该迹等价于子图计数统计量。
• 推导随机图中较小子图出现次数的上尾概率界。
• 将 MDP 推广至一类具有独立或马氏依赖结构的对称 U-统计量。
• 填补文献空白，提供子图计数中大偏差与中等偏差尚未解决部分的严格中等偏差分析。

提出的方法

• 使用子图计数统计量的对数拉普拉斯变换来分析中等偏差。
• 应用 Gärtner-Ellis 定理，建立重标度子图计数 $ Z $ 的中等偏差原理。
• 采用投影技术，将依赖的子图计数近似为独立随机变量之和。
• 通过归一化统计量的二阶与三阶矩的显式界，估计方差和高阶累积量。
• 使用鞅差分方法与集中不等式，控制累积量展开中的余项。
• 采用基于累积量的指数倾斜参数的优化选择，结合切比雪夫型不等式，推导尾部界。

实验结果

研究问题

• RQ1 在一般边概率 $ p(n) $ 下，Erdős-Rényi 随机图中的子图计数是否满足中等偏差原理？
• RQ2 中等偏差原理能否从子图计数推广至伯努利随机矩阵的幂的迹？
• RQ3 随机图中较小子图出现次数的精确上尾界是什么？
• RQ4 在 MDP 框架下，归一化子图计数 $ Z $ 在何种条件下满足中心极限定理？
• RQ5 MDP 能否推广至具有依赖或马氏依赖结构的非退化 U-统计量？

主要发现

• 在条件 $ np^{3(k-1/2)} \to \infty $ 和 $ n^2(1-p)^{3/2} \to \infty $ 下，本文证明了重标度子图计数 $ Z $ 的中等偏差原理，该条件强于以往中心极限定理的条件。
• 推导出子图计数 $ W $ 的上尾界为 $ P(W - \mathbb{E}W \geq \varepsilon \mathbb{E}W) \leq \exp\left( -\frac{c \varepsilon^2 n^{2l} p^{2k}}{n^{2l-2} p^{2k-1}(1-p)} \right) $，表明在中等偏差区域呈现指数衰减。
• 归一化统计量 $ Z $ 的渐近方差收敛于 1，确认了归一化常数 $ c_{n,p} $ 与中心极限定理的标度一致。
• 该方法在更强的矩条件下，通过特征函数收敛的连续性定理，提供了 $ Z $ 的中心极限定理的替代证明。
• MDP 被推广至一类具有独立或马氏依赖结构的对称 U-统计量，将结果推广至子图计数之外。
• 在给定条件下，累积量展开中的余项 $ d(n) $ 随 $ n \to \infty $ 趋于零，确保了在 Gärtner-Ellis 框架下的收敛性。