[论文解读] On asymptotic solvability of random graph's laplacians

A. Khorunzhy, Valentin Vengerovsky|ArXiv.org|Sep 19, 2000

Stochastic processes and statistical mechanics参考文献 2被引用 9

一句话总结

该论文证明了当 $ N \to \infty $ 时，边概率为 $ p = 1/N $ 的 Erdős–Rényi 随机图的邻接矩阵渐近可解，推导出特征值分布极限矩的显式递推关系。关键结果是极限谱测度具有无限支集，意味着存在无穷多个特征值发散至无穷大，这与谱半径有界的正则图形成鲜明对比。

ABSTRACT

We observe that the Laplacian of a random graph G on N vertices represents and explicitly solvable model in the limit of infinitely increasing N. Namely, we derive recurrent relations for the limiting averaged moments of the adjacency matrix of G. These relations allow one to study the corresponding eigenvalue distribution function; we show that its density has an infinite support in contrast to the case of the ordinary discrete Laplacian.

研究动机与目标

• 分析当 $ N \to \infty $ 时，边概率 $ p = 1 $ 的随机图 $ G_N^{(p)} $ 的邻接矩阵的渐近谱性质。
• 推导邻接矩阵特征值分布极限矩的闭式递推关系。
• 确定极限谱测度是否具有有限或无限支集，与正则图进行对比。
• 将 Wigner 方法在独立元素随机矩阵中的适用性扩展至 $ p \sim 1 $ 的稀疏情形。

提出的方法

• 通过树上行走的组合枚举，推导出覆盖根树的偶数阶行走数的递推关系。
• 定义 $ W_u(v) $ 为返回根 $ v $ 恰好 $ 2u $ 步的行走数，并导出递推式 $ W_u(v) = \sum_{i=1}^v \sum_{j=v-i}^{u-i} \sum_{l=0}^{u-i-j} W_{u-i-j}(l) \binom{l+i-1}{i-1} \binom{v-1}{i-1} W_j(v-i) $，初始条件为 $ W_j(0) = \delta_{j0} $。
• 利用关系式 $ m_k = \sum_{r=0}^k W_k(r) $ 计算特征值分布的极限 $ 2k $ 阶矩 $ m_k $。
• 应用 [5,6,7] 中的方法处理具有独立元素的稀疏随机矩阵，将其适配至 $ p=1 $ 的情形，此前方法在此处失效。
• 使用矩方法推断极限谱测度 $ \sigma^{(1)} $ 的性质，包括其支集与唯一性。
• 通过分析涉及 $ A^{(N)} $ 与 $ (A^{(N)})^2 $ 的混合矩，将框架扩展至图拉普拉斯算子 $ \Delta_N = V^{(N)} - A^{(N)} $，利用着色树建模边的重数。

实验结果

研究问题

• RQ1 稀疏随机图（$ p=1 $）的邻接矩阵极限特征值分布是否具有无限支集？
• RQ2 在 $ N \to \infty $ 极限下，是否可通过树上行走计数的递推关系计算邻接矩阵的矩？
• RQ3 稀疏随机图的谱行为与正则图或稠密随机矩阵有何不同？
• RQ4 在稀疏 Erdős–Rényi 模型中，最大特征值的渐近行为如何？
• RQ5 [5,6,7] 中的方法能否扩展至处理随机图的拉普拉斯矩阵？

主要发现

• 邻接矩阵特征值分布的极限 $ 2k $ 阶矩 $ m_k $ 由 $ m_k = \sum_{r=0}^k W_k(r) $ 给出，其中 $ W_k(r) $ 满足具有初始条件 $ W_j(0) = \delta_{j0} $ 的递推公式。
• 矩满足 $ m_{2k} \geq (k/2)^{k/2}(1+o(1)) $，当 $ k \to \infty $ 时，表明极限谱测度具有无限支集。
• 极限谱测度 $ \sigma^{(1)} $ 是唯一的，因为 $ m_{2k} \leq (C_2 k)^{2k} $ 确保了矩问题的收敛性。
• $ A^{(N,1)} $ 的最大特征值在 $ N \to \infty $ 时发散，且 $ \|A^{(N,1)}\| \to \infty $，这是由于在稀疏情形下存在度数任意大的顶点。
• 通过计算涉及 $ A^{(N)} $ 与 $ (A^{(N)})^2 $ 的混合矩，该方法可应用于拉普拉斯算子 $ \Delta_N $，利用双色树建模结构。
• 通过允许 $ A_{ij} $ 取正值整数或随机权重，该框架可推广至加权随机图与多重图。