Limit theorems for eigenvectors of the normalized Laplacian for random graphs
随机图归一化拉普拉斯矩阵特征向量的极限定理AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究随机图谱嵌入和潜在节点分组恢复，属于网络模型与推断方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
随机图归一化拉普拉斯矩阵特征向量的极限定理
- 研究问题
- 随机图归一化拉普拉斯矩阵的特征向量具有怎样的极限分布，不同谱嵌入选择如何影响潜在分组的恢复？
- 方法与思路
- 作者建立随机点积图特征向量分量的中心极限定理，并用多元正态分布间的 Chernoff 信息比较两类谱嵌入。
- 材料陈述的贡献
- 摘要称随机块模型嵌入行的渐近均值和协方差取决于节点分组，并展示邻接矩阵与归一化拉普拉斯嵌入均不占优。
- 阅读关注点
- 应核对图的密度、维度和谱条件，以及向量对齐方式；查看不占优结论如何随块结构及分组恢复任务变化。
- 阅读边界
- 来源为稿件版本未注明的 OpenAlex 索引摘要；具体定理条件和比较范围未提供，不占优结论不能扩展为所有网络推断任务。
原文摘要
We prove a central limit theorem for the components of the eigenvectors corresponding to the $d$ largest eigenvalues of the normalized Laplacian matrix of a finite dimensional random dot product graph. As a corollary, we show that for stochastic blockmodel graphs, the rows of the spectral embedding of the normalized Laplacian converge to multivariate normals and, furthermore, the mean and the covariance matrix of each row are functions of the associated vertex’s block membership. Together with prior results for the eigenvectors of the adjacency matrix, we then compare, via the Chernoff information between multivariate normal distributions, how the choice of embedding method impacts subsequent inference. We demonstrate that neither embedding method dominates with respect to the inference task of recovering the latent block assignments.