[论文解读] Spectra of edge-independent random graphs

Linyuan Lü, Xing Peng|arXiv (Cornell University)|Apr 27, 2012

Random Matrices and Applications参考文献 16被引用 4

一句话总结

该论文通过在误差项中去除对数因子，改进了边独立随机图的谱浓度界限，适用于邻接矩阵和归一化拉普拉斯矩阵。在更强的矩条件（$Δ ≫j π^4 n$）下，证明了 $∥A - \bar{A}∥ ≤ (2+o(1))\sqrt{\Delta}$ 与 $∥L - \bar{L}∥ ≤ \left(2 + \sqrt{\sum_{\lambda \in \Lambda}(1 - \lambda)^2} + o(1)\right)/\sqrt{\delta}$，显著收紧了Oliveira和Chung-Radcliffe的先前结果。

ABSTRACT

Let $G$ be a random graph on the vertex set $\{1,2,..., n\}$ such that edges in $G$ are determined by independent random indicator variables, while the probability $p_{ij}$ for $\{i,j\}$ being an edge in $G$ is not assumed to be equal. Spectra of the adjacency matrix and the normalized Laplacian matrix of $G$ are recently studied by Oliveira and Chung-Radcliffe. Let $A$ be the adjacency matrix of $G$, $\bar A=\E(A)$, and $Δ$ be the maximum expected degree of $G$. Oliveira first proved that almost surely $\|A-\bar A\|=O(\sqrt{Δ\ln n})$ provided $Δ\geq C \ln n$ for some constant $C$. Chung-Radcliffe improved the hidden constant in the error term using a new Chernoff-type inequality for random matrices. Here we prove that almost surely $\|A-\bar A\|\leq (2+o(1))\sqrtΔ$ with a slightly stronger condition $Δ\gg \ln^4 n$. For the Laplacian $L$ of $G$, Oliveira and Chung-Radcliffe proved similar results $\|L-\bar L|=O(\sqrt{\ln n}/\sqrtδ)$ provided the minimum expected degree $δ\gg \ln n$; we also improve their results by removing the $\sqrt{\ln n}$ multiplicative factor from the error term under some mild conditions. Our results naturally apply to the classic Erdős-Rényi random graphs, random graphs with given expected degree sequences, and bond percolation of general graphs.

研究动机与目标

• 改进边独立随机图中邻接矩阵与拉普拉斯矩阵的谱浓度界限。
• 在Oliveira和Chung-Radcliffe结果中去除误差项的 $\sqrt{\ln n}$ 因子。
• 在更强的矩条件下，建立特征值偏差的更紧的高概率界限。
• 将结果推广至一般随机图模型，包括Erdős-Rényi图、给定期望度序列的图以及一般图上的键渗流模型。

提出的方法

• 使用针对随机矩阵的改进型切尔诺夫不等式，控制偏差矩阵 $A - \bar{A}$ 的谱范数。
• 应用Weyl定理，将特征值偏差与矩阵差的谱范数关联。
• 对期望拉普拉斯矩阵 $\bar{L}$ 引入秩-$k$ 近似条件，以处理非均匀的期望度。
• 采用矩阵分解与范数估计技术，包括通过正交投影和方差界分析 $\|M_4\|$。
• 应用带精心选择阈值 $\eta = \sqrt[3]{\delta}/\sqrt[3]{k}$ 的集中不等式，控制逐元素偏差。
• 利用期望度矩阵 $T$ 与实际度的对角矩阵 $D$ 的结构，界定了 $\|L - \bar{L}\|$。

实验结果

研究问题

• RQ1 在更强假设下，能否从随机图的谱偏差界中去除 $\sqrt{\ln n}$ 因子？
• RQ2 当 $\Delta \gg \ln^4 n$ 时，边独立随机图的邻接矩阵的最优谱浓度界是什么？
• RQ3 当期望度序列非均匀时，归一化拉普拉斯矩阵 $L$ 的谱偏差行为如何？
• RQ4 在何种条件下，期望拉普拉斯矩阵 $\bar{L}$ 可被低秩矩阵良好逼近？
• RQ5 这些结果能否推广至一般随机图模型，如具有给定期望度序列的 $G(\mathbf{w})$ 模型？

主要发现

• 几乎必然地，当 $\Delta \gg \ln^4 n$ 时，有 $\|A - \bar{A}\| \leq (2+o(1))\sqrt{\Delta}$，优于Oliveira的 $O(\sqrt{\Delta \ln n})$ 界。
• 对于归一化拉普拉斯矩阵，在 $\delta \gg \max\{k, \ln^4 n\}$ 条件下，有 $\|L - \bar{L}\| \leq \left(2 + \sqrt{\sum_{\lambda \in \Lambda}(1 - \lambda)^2} + o(1)\right)/\sqrt{\delta}$，成功去除了 $\sqrt{\ln n}$ 因子。
• 在期望度序列满足 $\text{rank}(\bar{A}) = k$ 的特殊情形下，该界简化为 $\|L - \bar{L}\| \leq (2 + \sqrt{k} + o(1))/\sqrt{\delta}$。
• 结果适用于经典模型：Erdős-Rényi图、具有给定期望度序列的随机图，以及一般图上的键渗流。
• 证明技术依赖于改进的矩阵集中不等式，以及将拉普拉斯偏差分解为四个矩阵分量的创新方法。
• 关键创新在于使用阈值 $\eta = \sqrt[3]{\delta}/\sqrt[3]{k}$ 控制度矩阵中的逐元素偏差，从而实现更紧的范数界。