[논문 리뷰] Anti-concentration in most directions

Anup Rao, Amir Yehudayoff|arXiv (Cornell University)|2018. 11. 15.

Complexity and Algorithms in Graphs참고 문헌 21인용 수 20

한 줄 요약

이 논문은 초입방체 ${\pm 1\}^n$ 상의 두 독립적인 랜덤 벡터의 내적에 대해 날카운 anti-concentration 한계를 확립하며, 대부분의 방향 $x$에 대해 $\langle x,Y\rangle = k$ 가 특정 $k$ 에 대해 발생할 확률이 $O(1/\sqrt{n})$ 이하임을 보여준다. 이 결과는 집합 $A$와 $B$에 대한 약한 크기 조건 하에서 성립하며, 덧셈 조합학과 조화 분석 도구를 활용하여 비구조적이고 비균일한 설정으로 고전적인 anti-concentration 결과를 확장한다.

ABSTRACT

We prove anti-concentration bounds for the inner product of two independent random vectors. For example, we show that if $A,B$ are subsets of the cube $\{\pm 1\}^n$ with $|A| \cdot |B| \geq 2^{1.01 n}$, and $X \in A$ and $Y \in B$ are sampled independently and uniformly, then the inner product $\langle X, Y angle$ takes on any fixed value with probability at most $O( frac{1}{\sqrt{n}})$. Extending Halász work, we prove stronger bounds when the choices for $x$ are unstructured. We also describe applications to communication complexity, randomness extraction and additive combinatorics.

연구 동기 및 목표

• 집합 $A, B \subseteq \{\pm 1\}^n$ 상에서 균일하게 분포된 독립적인 $X$와 $Y$에 대해 내적 $\langle X,Y\rangle$ 에 대한 강력한 anti-concentration 한계를 확립하는 것.
• 분포가 비균일하거나 구조적으로 되어 있을 경우에도 anti-concentration 이 성립하는 조건을 규명하는 것.
• anti-concentration 이 실패하는 '나쁜' 방향 $x$ 의 집합을 특성화하여, 이러한 방향이 지수적으로 희박함을 보이는 것.
• 덧셈 조합학 도구를 활용하여 Halász 형 anti-concentration 결과를 비균일 분포 및 비구조적 집합으로 확장하는 것.
• 이 틀을 통신 복잡도, 난수 추출, 덧셈 조합학 문제에 적용하는 것.

제안 방법

• 방향 벡터 $x$ 와 집합 $A \subset \mathbb{Z}^n$ 의 두 입방체 표현에서의 차이 $d_j = u_j - v_j$ 의 덧셈적 구조에 기반한 유연한 프레임워크를 사용한다.
• $D(\theta) = \sum_{j \in G} \sin^2(2\pi \theta d_j)$ 를 정의하여 농도가 발생할 수 있는 '나쁜' 각도 집합을 측정한다.
• Markov 부등식과 $D(\theta)$ 의 모멘트 한계를 적용하여 $D(\theta)$ 가 작을 확률을 제어하고, 이와 내적 $\langle x,Y\rangle$ 의 농도와 연결한다.
• $\mathbb{R}/\mathbb{Z}$ 상의 합집합에 대한 Kemperman 정리(또는 Kneser 정리)를 적용하여 $D(\theta) \leq \rho$ 인 $\theta$-집합의 측도를 bound함으로써 $\rho$ 에 대한 감쇠 추정을 가능하게 한다.
• 비구조적 차이 집합을 캡처하기 위해 약한 사이돈 집합의 개념을 도입하며, 이는 더 강력한 anti-concentration 한계를 제공한다.
• 확률론적 기법과 조화 분석 기법을 덧셈 조합학과 융합하여 대부분의 방향 $x$ 에 대해 $O(1/\sqrt{n})$ 의 점별 농도 한계를 도출한다.

실험 결과

연구 질문

• RQ1 집합 $A, B \subseteq \{\pm 1\}^n$ 에 대해 어떤 조건 하에서 내적 $\langle X,Y\rangle$ 가 $X \in A$, $Y \in B$ 일 때 anti-concentration 을 보이는가?
• RQ2 내적 $\max_k \Pr[\langle x,Y\rangle = k]$ 가 $O(1/\sqrt{n})$ 보다 현저히 큰 '나쁜' 방향 $x$ 는 얼마나 존재하는가?
• RQ3 분포가 $Y$ 에 대해 비균일하더라도, $X$ 와 $Y$ 가 독립적이고 집합이 충분히 크다면 anti-concentration 이 회복될 수 있는가?
• RQ4 차이 $d_j = u_j - v_j$ 의 덧셈적 구조가 anti-concentration 한계의 강도에 어떤 역할을 하는가?
• RQ5 약한 사이돈 집합과 비구조적 차이 집합은 구조적 또는 반복적인 차이에 비해 anti-concentration 을 어떻게 향상시키는가?

주요 결과

• 모든 $\beta > 0$ 과 $\delta > 0$ 에 대해 $|B| = 2^{\beta n}$ 이면, $\{\pm 1\}^n$ 상의 모든 방향 중에서 $2^{n(1 - \beta + \delta)}$ 개 이하의 방향을 제외한 나머지에 대해 농도 확률 $\max_k \Pr[\langle x,Y\rangle = k]$ 는 $O(1/\sqrt{n})$ 이하이다.
• 이 한계 $O(1/\sqrt{n})$ 는 날카로우며, $A = B = \{\pm 1\}^n$ 일 때도 고전적인 Littlewood-Offord 한계와 일치하므로 결과가 최적임을 보여준다.
• 모든 차이 $d_j$ 가 서로 다를 경우, 농도 확률은 $O(1/\sqrt{n})$ 보다 더 빠르게 감소하며, 약한 조건 하에서 $O(1/n^{1/2 + \Omega(1)})$ 수준에 도달한다.
• 차이의 약한 사이돈 집합에 대해서는 농도 확률이 $O(1/\sqrt{n})$ 으로 bound되며, '나쁜' 방향의 수가 $2^{n(1 - \beta + \delta)}$ 로 줄어들어 비구조적 집합에 대해 강건함을 보여준다.
• 이 틀은 $Y$ 가 균일 분포가 아닐 경우에도 $X$ 와 $Y$ 가 독립적이고 집합 $A, B$ 가 충분히 크면 anti-concentration 을 회복할 수 있음을 보여준다.
• 모멘트 한계와 합집합에 대한 Kemperman 정리를 기반으로 한 증명 기법은 '나쁜' 각도 $\theta$ 의 측도를 정량적으로 제어할 수 있으며, 이는 농도 확률의 지수적 감쇠를 이끈다.