[论文解读] Central limit theorems in the configuration model

A. D. Barbour, Adrian Röllin|arXiv (Cornell University)|Oct 7, 2017

Markov Chains and Monte Carlo Methods参考文献 21被引用 7

一句话总结

本文在配置模型中为局部图统计量建立了一个通用的中心极限定理（CLT），采用 Stein 方法并给出 Wasserstein 距离的误差界。在较弱的矩条件和度分布假设下，证明了巨大连通分量的大小渐近服从正态分布，解决了该模型长期存在的二阶分析空白问题。

ABSTRACT

We prove a general normal approximation theorem for local graph statistics in the configuration model, together with an explicit bound on the error in the approximation with respect to the Wasserstein metric. Such statistics take the form $T := \sum_{v \in V} H_v$, where $V$ is the vertex set, and $H_v$ depends on a neighbourhood in the graph around $v$ of size at most $\ell$. The error bound is expressed in terms of $\ell$, $|V|$, an almost sure bound on $H_v$, the maximum vertex degree $d_{\max}$ and the variance of $T$. Under suitable assumptions on the convergence of the empirical degree distributions to a limiting distribution, we deduce that the size of the giant component in the configuration model has asymptotically Gaussian fluctuations.

研究动机与目标

• 为配置模型中的局部图统计量开发一个通用的正态近似定理。
• 为这类统计量的正态近似提供 Wasserstein 距离下的显式误差界。
• 将一般结果应用于证明配置模型中巨大连通分量大小的中心极限定理。
• 解决尽管在网络建模中极为重要，但配置模型中巨大连通分量缺乏二阶波动结果的问题。

提出的方法

• 使用 Stein 方法进行正态近似，通过构造 Stein 耦合来控制局部图统计量分布与标准正态分布之间的 Wasserstein 距离。
• 将局部统计量定义为每个顶点周围半径至多为 ℓ 的邻域函数之和。
• 采用涉及随机排列和边交换的耦合论证，以控制依赖结构并推导出方差界。
• 推导出依赖于 ℓ、|V|、d_max、‖h‖ 和 Var(T) 的误差界，确保在适当的矩条件下该界保持较小。
• 将一般 CLT 应用于大小不超过 n^β 的连通分量中的顶点数，该值渐近等价于巨大连通分量的补集。
• 利用在经验度分布收敛到极限分布的条件下，巨大连通分量大小的方差保持为 n 阶这一事实，从而支持 CLT 的成立。

实验结果

研究问题

• RQ1 能否在显式误差界下，为配置模型中的局部图统计量建立一个通用的中心极限定理？
• RQ2 在较弱的矩条件和度分布假设下，配置模型中巨大连通分量的大小是否表现出渐近正态波动？
• RQ3 如何控制配置模型中的依赖结构，以应用 Stein 方法进行正态近似？
• RQ4 在何种条件下，巨大连通分量大小的方差保持为 n 阶，从而支持 CLT 的成立？

主要发现

• 本文为任意局部图统计量 T = ∑v∈V Hv 建立了中心极限定理，其中 Hv 依赖于顶点 v 周围半径至多为 ℓ 的邻域，且给出了 Wasserstein 距离下的显式误差界。
• 误差界为 O(‖h‖⁴ d_max⁴ ℓ¹⁶ / (n σ²))，表明在适当条件下，随着 n 增大，近似误差趋于零。
• 在经验度分布收敛到极限分布且方差为 n 阶的条件下，配置模型中巨大连通分量的大小表现出渐近正态波动。
• 在远处顶点对局部统计量影响可忽略的条件下，证明了巨大连通分量大小的方差为 n 阶。
• 该结果扩展了 Ball 和 Neal（2017）的工作，他们基于模拟推测了 CLT，而本文通过 Stein 方法提供了严格的证明。
• 该方法具有鲁棒性，适用于一大类局部统计量，不仅限于巨大连通分量，因此在配置模型的网络统计中具有广泛适用性。