[论文解读] Tail Bounds for Matrix Quadratic Forms and Bias Adjusted Spectral Clustering in Multi-layer Stochastic Block Models

Jing Lei|arXiv (Cornell University)|Mar 18, 2020

Random Matrices and Applications参考文献 58被引用 7

一句话总结

该论文为矩阵二次型和U统计量推导了新的尾部界限，扩展了标量和矩阵的集中不等式。该方法被应用于多层随机块模型中，证明了一种偏差校正谱聚类方法的一致性，该模型具有复杂的信号结构。

ABSTRACT

We develop tail probability bounds for matrix linear combinations with matrix-valued coefficients and matrix-valued quadratic forms. These results extend well-known scalar case results such as the Hanson--Wright inequality, and matrix concentration inequalities such as the matrix Bernstein inequality. A key intermediate result is a deviation bound for matrix-valued $U$-statistics of order two and their independent sums. As an application of these probability tools in statistical inference, we establish the consistency of a novel bias-adjusted spectral clustering method in multi-layer stochastic block models with general signal structures.

研究动机与目标

• 将标量和矩阵集中不等式扩展至矩阵值二次型和U统计量。
• 开发用于分析具有矩阵系数的矩阵线性组合的概率工具。
• 在具有任意信号结构的多层随机块模型中实现严谨的统计推断。
• 在这些模型中建立一种新型偏差校正谱聚类程序的一致性。

提出的方法

• 作为关键中间结果，推导了二阶矩阵值U统计量及其独立和的偏离界限。
• 为具有矩阵值系数的矩阵线性组合开发了尾部概率界限，推广了Hanson--Wright和矩阵Bernstein不等式。
• 将这些集中不等式应用于分析由于网络偏差导致模型误设时的谱聚类算法。
• 提出一种偏差校正谱聚类方法，以校正多层网络数据中的系统性误差。
• 利用推导出的界限，证明在一般信号配置下聚类程序的一致性。
• 制定具有任意信号结构的多层随机块模型，以反映现实网络数据的特性。

实验结果

研究问题

• RQ1 如何将矩阵集中不等式扩展以处理具有矩阵系数的矩阵值二次型？
• RQ2 在高维设置下，二阶矩阵值U统计量的偏离特性是什么？
• RQ3 在具有复杂、非均匀信号结构的多层随机块模型中，偏差校正谱聚类能否实现一致性？
• RQ4 需要哪些概率工具才能严格分析多层网络模型中的谱聚类？
• RQ5 推导出的尾部界限如何确保所提聚类方法的一致性？

主要发现

• 该论文建立了适用于矩阵值二次型的新尾部界限，将Hanson--Wright和矩阵Bernstein不等式推广至矩阵值设定。
• 一个关键中间结果是二阶矩阵值U统计量及其独立和的偏离界限。
• 所提出的偏差校正谱聚类方法在具有通用信号结构的多层随机块模型中被证明是一致的。
• 推导出的集中不等式使得在具有任意信号配置的多层网络数据中实现严谨的统计推断成为可能。
• 该方法有效校正了网络偏差，提升了多层设置下的聚类准确性。
• 理论框架支持在复杂、现实的网络模型中使用谱聚类，超越独立同分布或块常数假设。