[论文解读] Combinatorial theorems in sparse random sets

David Conlon, W. T. Gowers|arXiv (Cornell University)|Nov 18, 2010

Limits and Structures in Graph Theory参考文献 35被引用 32

一句话总结

本文提出了一种新颖的概率方法，用于建立经典组合定理在稀疏随机图中的随机类比，包括图论中的Turán定理、Szemerédi定理和Ramsey定理。通过分析随机图与超图中的边概率，作者证明：对于任意固定图 $ H $，当边概率满足 $ p \geq Cn^{-2/(t+1)} $ 时，随机图 $ G_{n,p} $ 几乎必然满足一种Turán型条件：即任意边数超过 $ (1 - \frac{1}{t-1} + \epsilon) $ 倍总边数的子图必包含一个 $ K_t $ 子图，且该阈值在常数 $ C $ 的意义下是精确的。

ABSTRACT

We develop a new technique that allows us to show in a unified way that many well-known combinatorial theorems, including Turán's theorem, Szemerédi's theorem and Ramsey's theorem, hold almost surely inside sparse random sets. For instance, we extend Turán's theorem to the random setting by showing that for every $ε> 0$ and every positive integer $t \geq 3$ there exists a constant $C$ such that, if $G$ is a random graph on $n$ vertices where each edge is chosen independently with probability at least $C n^{-2/(t+1)}$, then, with probability tending to $1$ as $n$ tends to infinity, every subgraph of $G$ with at least $(1 - \frac{1}{t-1} + ε) e(G)$ edges contains a copy of $K_t$. This is sharp up to the constant $C$. We also show how to prove sparse analogues of structural results, giving two main applications, a stability version of the random Turán theorem stated above and a sparse hypergraph removal lemma. Many similar results have recently been obtained independently in a different way by Schacht and by Friedgut, Rödl and Schacht.

研究动机与目标

• 建立经典组合定理（如Turán定理、Ramsey定理和Szemerédi定理）在稀疏随机图中的类比形式。
• 确定随机图 $ G_{n,p} $ 几乎必然满足极值组合性质（如强制稠密子图包含团）的精确阈值概率 $ p $。
• 在随机设定下证明结构性结果（如稳定性定理和稀疏超图去除引理），将经典结果推广至稀疏随机结构。
• 开发一种新方法，实现对稀疏随机设定下多个组合定理的统一处理，克服先前方法的局限性。
• 研究随机图性质中阈值的精确性，特别是针对非单调或复杂极值条件的情形。

提出的方法

• 提出一种基于具有稀疏随机支撑函数的截断卷积的新颖概率方法，从而控制随机图中高阶依赖关系。
• 采用递归归纳框架，通过集中与矩估计控制稀疏随机集中卷积和的分布。
• 将该方法应用于证明：对任意 $ t \geq 3 $，当边概率满足 $ p \geq Cn^{-2/(t+1)} $ 时，随机图几乎必然满足一种Turán型条件：任意边数超过 $ (1 - \frac{1}{t-1} + \epsilon) $ 倍总边数的子图必包含 $ K_t $。
• 通过将方法推广至3-均匀超图，建立一个稀疏超图去除引理，表明：若子图中不包含Fano平面的边具有正密度，则可通过移除少量边使其变为二部图。
• 证明了随机Turán定理的稳定性版本，表明接近Turán阈值的子图在结构上必须接近Turán图。
• 利用该框架分析 $ G_{n,p} $ 成为 $ (H,r) $-Ramsey 或 $ (H,\epsilon) $-Turán 的阈值行为，表明该阈值由 $ m_2(H) = \max_{K \subset H, v_K \geq 3} \frac{e_K - 1}{v_K - 2} $ 决定。

实验结果

研究问题

• RQ1 对于固定的图 $ H $，随机图 $ G_{n,p} $ 几乎必然强制任意边密度超过 $ (1 - \frac{1}{\chi(H)-1} + \epsilon) $ 倍总边数的子图包含 $ H $ 的副本，该阈值概率 $ p $ 是多少？
• RQ2 如稳定性定理和去除引理等结构性结果能否推广至稀疏随机设定？若能，其成立条件是什么？
• RQ3 对于 $ (H,\epsilon) $-Turán 性质的阈值是否精确？即概率从0到1的跃迁是否发生在阈值附近的任意小区间内？
• RQ4 与Schacht及Friedgut–Rödl–Schacht等现有方法相比，该方法在通用性及推导结构性结果方面有何优势？
• RQ5 该方法能否推广至所有图与超图（而不仅限于严格平衡的图与超图）？其技术障碍是什么？

主要发现

• 对任意 $ \epsilon > 0 $ 和 $ t \geq 3 $，存在常数 $ C $，使得若 $ G $ 是 $ n $ 个顶点上边概率至少为 $ Cn^{-2/(t+1)} $ 的随机图，则以高概率，任意边数超过 $ \left(1 - \frac{1}{t-1} + \epsilon\right)e(G) $ 的子图必包含 $ K_t $ 的副本，且该阈值在常数 $ C $ 的意义下是精确的。
• 本文建立了稀疏超图去除引理：当 $ p \geq Cn^{-2/3} $ 时，任意3-均匀超图 $ G_{n,p}^{(3)} $ 若其不包含Fano平面的边数占总边数的 $ \left(\frac{3}{4} - \epsilon\right) $，则以高概率可通过移除至多 $ \delta p n^3 $ 条边使其变为二部图。
• 证明了随机Turán定理的稳定性版本：$ G_{n,p} $ 的边密度接近Turán阈值的子图在结构上必须接近完全的 $ (t-1) $-部图。
• 该方法可导出稀疏随机设定下的结构性结果（如稳定性与去除引理），而这是Schacht或Friedgut–Rödl–Schacht方法所无法实现的。
• $ (H,\epsilon) $-Turán 性质的阈值由 $ m_2(H) = \max_{K \subset H, v_K \geq 3} \frac{e_K - 1}{v_K - 2} $ 决定，与对应Ramsey性质的阈值一致。
• 本文未解决阈值在Friedgut意义下是否精确的问题，但指出三角形Ramsey阈值已被证明是精确的，提示未来方法可能推广至一般情况以证明精确性。