[论文解读] Spectrum of Random $d$-regular Graphs Up to the Edge

Jiaoyang Huang, Horng‐Tzer Yau|arXiv (Cornell University)|Feb 1, 2021

Random Matrices and Applications参考文献 74被引用 7

一句话总结

本文证明了随机 $d$-正则图的归一化邻接矩阵的极值特征值在 $2$ 的多项式误差范围内集中，具体为 $\lambda_2, |\lambda_N| \leq 2 + N^{-c}$（$c > 0$），以高概率 $1 - N^{-1 + \varepsilon}$ 成立，并证明了所有特征向量完全去局域化。分析结合了局部重采样与格林函数估计，实现了在凯斯滕-麦凯谱分布边缘处的特征值刚性与去局域化。

ABSTRACT

Consider the normalized adjacency matrices of random $d$-regular graphs on $N$ vertices with fixed degree $d\geq3$. We prove that, with probability $1-N^{-1+{\varepsilon}}$ for any ${\varepsilon} >0$, the following two properties hold as $N o \infty$ provided that $d\geq3$: (i) The eigenvalues are close to the classical eigenvalue locations given by the Kesten-McKay distribution. In particular, the extremal eigenvalues are concentrated with polynomial error bound in $N$, i.e. $λ_2, |λ_N|\leq 2+N^{-c}$. (ii) All eigenvectors of random $d$-regular graphs are completely delocalized.

研究动机与目标

• 建立随机 $d$-正则图在凯斯滕-麦凯分布边缘处的特征值刚性。
• 证明极值特征值在 $2$ 的多项式误差范围内集中，改进了先前的 $O((\log \log N / \log N)^2)$ 误差界。
• 为固定 $d \geq 3$ 的 $d$-正则图集合建立所有特征向量的完全去局域化。
• 发展一种改进的格林函数估计方法，并在局部重采样下保持稳定，以控制边缘附近的谱波动。

提出的方法

• 使用边的局部重采样控制格林函数的波动，并推导稳定性估计。
• 应用舒尔补公式将扩展图中的预解元与子图中的预解元关联。
• 利用预解恒等式，对修改图与原始图之间格林函数的差异进行有界。
• 通过递归估计控制预解元增长，假设其具有树状结构。
• 以凯斯滕-麦凯律作为参考谱测度，通过 $m_{sc}(z)$ 和 $\Delta(z)$ 比较偏差。
• 应用命题 2.12 中的格林函数估计，以 $|m_{sc}(z)/\sqrt{d-1}|^{2r}$（$r$ 较大）的形式有界预解元的条目。

实验结果

研究问题

• RQ1 能否证明随机 $d$-正则图的极值特征值在 $2$ 的多项式误差范围内集中？
• RQ2 随机 $d$-正则图的所有特征向量是否均表现出完全去局域化？
• RQ3 能否通过格林函数方法在凯斯滕-麦凯分布边缘处建立特征值刚性？
• RQ4 在 $d$-正则图集合中，第二大特征值的最优误差尺度是什么？
• RQ5 局部重采样如何在具有依赖条目的稀疏随机图中稳定谱估计？

主要发现

• 以高概率 $1 - N^{-1 + \varepsilon}$，极值特征值满足 $\lambda_2, |\lambda_N| \leq 2 + O(N^{-c})$（$c > 0$）。
• 特征值在边缘处具有刚性，偏差被有界于 $O(N^{-c})$，优于先前的 $O((\log \log N / \log N)^2)$ 误差界。
• 所有特征向量均完全去局域化，即其 $\ell^\infty$-范数为 $O(N^{-1/2})$。
• 格林函数估计在局部重采样下保持稳定，从而能够控制谱波动。
• 谱密度收敛至凯斯滕-麦凯律，收敛尺度为 $O((\log N)^{-c}/N)$，与边缘普遍性一致。
• 该方法为阿隆猜想（关于谱隙）提供了新的证明，且误差界为多项式形式。