[论文解读] Concentration of the spectral norm of Erdo\H{o}s-R\'enyi random graphs

Gábor Lugosi, Shahar Mendelson+1 more|arXiv (Cornell University)|Jan 7, 2018

Random Matrices and Applications参考文献 15被引用 3

一句话总结

本文在广泛的边概率范围 $p \in [c\log^3n/n, 1]$ 内，为 Erd\'os-R\'enyi 随机图 $G(n,p)$ 的邻接矩阵的谱范数建立了精确的次高斯矩不等式。该研究改进了 Alon、Krivelevich 和 Vu 的先前结果，尤其在 $p$ 较小时表现更优，并证明了在整个随机图过程中谱范数的统一集中性。

ABSTRACT

We present results on the concentration properties of the spectral norm $\|A_p\|$ of the adjacency matrix $A_p$ of an Erd\H{o}s-R\'enyi random graph $G(n,p)$. We prove sharp sub-Gaussian moment inequalities for $\|A_p\|$ for all $p\in [c\log^3n/n,1]$ that improve the general bounds of Alon, Krivelevich, and Vu (2001) for small values of $p$. We also consider the Erd\H{o}s-R\'enyi random graph process and prove that $\|A_p\|$ is uniformly concentrated.

研究动机与目标

• 推导 $G(n,p)$ 的邻接矩阵谱范数 $\|A_p\|$ 的更紧集中界限，尤其针对较小的边概率 $p$。
• 在稀疏区域改进 Alon、Krivelevich 和 Vu（2001 年）先前建立的一般矩界限。
• 分析 $\|A_p\|$ 在整个 Erd\'os-R\'enyi 随机图过程中的集中行为。
• 在范围 $[c\log^3n/n, 1]$ 内建立谱范数在整个 $p$ 上的统一集中性。

提出的方法

• 使用专为随机矩阵理论设计的先进集中不等式，推导 $\|A_p\|$ 的精确次高斯矩不等式。
• 应用基于矩的方法，以控制稀疏区域中谱范数的尾部行为。
• 利用链式法与熵方法处理邻接矩阵元素之间的依赖结构。
• 通过将 $\|A_p\|$ 视为以 $p$ 索引的随机过程，分析随机图过程，并证明在区间 $[c\log^3n/n, 1]$ 上的统一集中性。
• 利用 $G(n,p)$ 的结构，通过对称化与比较技术来界定算子范数。

实验结果

研究问题

• RQ1 在 $G(n,p)$ 中，对于较小的边概率 $p$，谱范数 $\|A_p\|$ 的矩行为如何？
• RQ2 能否为 $\|A_p\|$ 建立比 Alon、Krivelevich 和 Vu 在连通性阈值附近的 $p$ 更紧的次高斯集中界限？
• RQ3 在随机图过程中，谱范数 $\|A_p\|$ 是否在整个 $p \in [c\log^3n/n, 1]$ 范围内保持统一集中？
• RQ4 在稀疏区域中，集中界限对 $n$ 和 $p$ 的最优依赖关系是什么？

主要发现

• 本文建立的 $\|A_p\|$ 精确次高斯矩不等式，比 Alon、Krivelevich 和 Vu 在 $p$ 较小时的一般界限更紧。
• 集中界限适用于所有 $p \in [c\log^3n/n, 1]$，覆盖了稀疏与中等密度区域。
• 当 $p$ 落在 $[c\log^3n/n, 1]$ 范围内时，谱范数 $\|A_p\|$ 展现出次高斯尾部衰减，表明其围绕均值强烈集中。
• 谱范数在整个随机图过程中保持统一集中，即 $\|A_p\|$ 在该区间内所有 $p$ 上均保持紧密集中。