[論文レビュー] A mean identity for longest increasing subsequence problems

Eric M. Rains|ArXiv.org|Apr 12, 2000

Random Matrices and Applications参考文献 11被引用数 12

ひとこと要約

本稿では、最長増加部分列（LIS）問題の1パラメータ族の拡張モデルを導入し、モーメント生成関数の恒等式を用いて平均LIS長の正確な計算を可能にする。主な貢献は、標準モデルにおける平均LISのタイトな上界を与える平均恒等式であり、漸近的解析により、ランダム順列、ランダム語、GUE行列固有値を含む多様なLISバリアントにおける既知のスケール因子と平均挙動が回復される。

ABSTRACT

We show that a wide variety of generalized increasing subsequence problems admit a one parameter family of extensions for which we can exactly compute the mean length of the longest increasing subsequence. By the nature of the extension, this gives upper bounds on the mean in the unextended model, which turn out to be asymptotically tight for all of the models that have so far been analyzed. A heuristic analysis based on this fact gives not just the asymptotic mean but also the asymptotic scale factor, again agreeing with all known cases.

研究の動機と目的

• 静的初期条件を伴うポアソン化モデルにおけるPrahofer-Spohnの平均恒等式を一般化すること。
• ポアソン過程および幾何的／ベルヌーイ多重ルールに基づく、より広範な一般化増加部分列モデルのクラスにこの恒等式を拡張すること。
• 拡張モデルにおける正確なモーメント生成関数の恒等式を導出し、LIS長分布の厳密な漸近的解析を可能にすること。
• これらの恒等式を用いて、漸近的平均だけでなく、さまざまなLISモデルにおける漸近的スケール因子の予測を行うこと。既知の結果と一致することを確認する。

提案手法

• グリッド構造上にポアソン分布点と幾何的／ベルヌーイ多重度を組み合わせた、パラメータ集合 $ t{:}q/r $ を定義し、拡張モデルを記述する。
• 拡張モデルにおけるLIS長のモーメント生成関数を符号化する2つの生成関数 $ H(z;p) $ と $ E(z;p) $ を構築する。
• モーメント生成関数積の収束を保証するため、2つのパラメータ集合 $ p_+ $ と $ p_- $ 間の適合条件を確立する。
• 代数的および組合せ論的証明を用いて、$ H(p_+,p_-) $ と $ E(p_+,p_-) $ を結ぶモーメント生成関数の恒等式を導出し、正確な平均表現を得る。
• モーメント生成関数の恒等式に対してヒューリスティックな漸近的解析を適用し、LIS長分布の主要項の平均とスケール因子を抽出する。
• 離散的拡張モデルを連続極限に写像し、古典的ランダム順列ケースにおける $ 2 ilde{t} $ の平均と $ ilde{t}^{1/3} $ のスケール因子といった既知の結果が回復されることを示す。

実験結果

リサーチクエスチョン

• RQ1 1パラメータ族の拡張モデルを構築可能か？その場合、最長増加部分列の平均長が正確に計算可能か？
• RQ2 拡張モデルにおける正確な平均が、拡張なし（標準的）モデルにおける平均のタイトな上界を与えるか？
• RQ3 拡張モデルにおけるモーメント生成関数の恒等式から、LIS長の漸近的挙動（平均およびスケール因子を含む）を回復可能か？
• RQ4 導出された漸近的予測は、ランダム順列、ランダム語、GUE固有値といった特殊ケースにおける既知の結果と一致するか？
• RQ5 本拡張フレームワークを用いて、多様なモデルにおけるLIS長の漸近的スケーリングを一様に記述可能か？

主な発見

• パラメータ集合 $ t{:}/ $ を持つ拡張モデルでは、LIS長の正確な平均が $ 2t $ に等しくなる。これは、平均が $ 2t + O(t^{1/3}) $ の標準ポアソンモデルにおける上界をなす。
• 一般化モデルにおいて $ p_+ = t{:}/ $ の場合、平均は正確に $ 2t $ であり、スケール因子は $ t^{1/3} $ に等しくなる。これは古典的ランダム順列ケースと一致する。
• ランダム語の弱く増加する部分列の場合（$ p_+ = /1^n $、$ p_- = t{:}/ $）、平均は $ t + 2 ilde{t}n^{1/2} $ であり、スケール因子は $ ilde{t}n^{-1/6}(1 + \tilde{n}/\tilde{t})^{2/3} $ に等しい。これは既知の結果を回復する。
• 対称的モデルにおいて $ p_+ = (\tilde{q})^{n_+}/ $、$ p_- = (\tilde{q})^{n_-}/ $ の場合、平均は $ (2\tilde{q}n_+n_- - q(n_+ + n_-))/(1 - q) $ に等しくなり、スケール因子は $ (qn_+n_-)^{1/6} \times \text{補正項} $ に等しい。これは既知の漸近的挙動と一致する。
• パラメータ $ p_+ = (\tilde{q})^{n_+}/ $、$ p_- = (\tilde{q})^{n_-}/ $ のモデルの連続極限では、$ \tilde{\nu} = (\tilde{n}_+ + \tilde{n}_-)^2 $ および $ \tilde{\tau} = (n_+n_-)^{-1/6}(\tilde{n}_+ + \tilde{n}_-)^{4/3} $ が得られ、GUEのTracy-Widom分布に対応する。
• 本フレームワークは、ランダム順列、ランダム語、GUE固有値を含む6つの異なるモデルにおいて、漸近的平均とスケール因子を正確に予測でき、既知の結果と完全に一致する。