この論文は、ランダムグラフ G_{n,p} に含まれる固定サイズの完全グラフ（クリーク）K_r の個数が「局所中心極限定理（LCLT: local central limit theorem）」に従うことを示します。局所中心極限定理とは、ある離散的なランダム変数が点ごとの確率で正規分布の密度に近づく、という強い形の確率近似です。著者らは r≧3 の任意の固定整数について、辺の出現確率 p がおおまかに n^{-1/m(K_r)} よりずっと大きく、かつ p≦1/2 の範囲で LCLT が成り立つことを示しました。ここで m(K_r) はクリークの「最大密度」を表す定数で、p のこの下限はクリークが出現し始める典型的な閾値に対応します。

彼らの結果は、以前に定数 p（p が 0 に近づかない場合）で示されていた主張を、p が小さくなる疎（sparse）な領域まで拡張します。定理は確率の近似誤差について定量的な評価も与えていますが、本文中でも述べられているように、これらの数値的な誤差項は最適化されていません。要するに、一定の技術条件のもとで、クリークの個数を正規分布の点ごとの密度で上手に近似できることを証明しています。

証明の大まかな流れは次の通りです。まず古典的なフーリエ解析（確率分布のフーリエ変換である「特徴関数」を使う手法）で問題を周波数領域に落とし込みます。小さな周波数帯では、Stein の手法と既存の定量的中心極限定理で要求する近似が得られます。残りの中〜高周波数帯を扱うために、著者らは「デカップリング（decoupling）」という手法を用いて、依存の強いクリーク同士の寄与を独立なベルヌーイ変数の重み付き和と「誤差項」に分けます。重み付き和の扱いは標準的ですが、誤差項の評価には高次のモーメント（高次の期待値）を計算するための新しいアイデアが必要で、ここが論文で最も概念的かつ技術的に深い部分だと著者らは述べています。主要な補題（本文中の Lemma 1.3, 1.4, 1.5）は、p の異なるレンジごとに特徴関数を制御する役割を果たし、それらを組み合わせて主定理を導きます。

この結果の意味は二つあります。一つは、Gilmer と Kopparty が提案した「サブグラフ数が中心極限定理を満たすなら局所版も成り立つ」という予想が、クリークについてほぼ解決されたことです。もう一つは、個々の値に対する確率が小さく抑えられること、すなわち反集中（anti-concentration）性の情報が疎領域でも得られる点です。これらは確率論や組合せ論で小さな部分構造の出現確率を詳しく調べる際に重要な道具になります。論文はまた、定数 p の場合や三角形（K_3）に関する先行研究の流れを踏まえつつ、それらを一般のクリークに拡張しています。

重要な注意点もいくつかあります。証明は r≧3 のクリークに限定されます。結果が成り立つのは p が「十分大きくて」p≦1/2 という範囲に限られ、具体的には p≫n^{-1/m(K_r)} という下限が必要です。また、定量的な誤差評価は最適化されておらず、論文中で扱われるいくつかの境界ケースや技術条件は詳細な場合分けと長い議論を要します。最後に、証明の中心は高度に技術的な高次モーメントの評価にあり、一般化やさらなる最適化には追加の工夫が必要であると著者ら自身が述べています。