[논문 리뷰] Deviation bounds for additive functionals of Markov process

Patrick Cattiaux, Arnaud Guillin|ArXiv.org|2006. 03. 01.

Markov Chains and Monte Carlo Methods참고 문헌 16인용 수 12

한 줄 요약

이 논문은 비대칭적 점근적 편차 바ounds를 유도하기 위해 Poincaré 및 로그-Sobolev와 같은 기능 부등식을 사용하여, 정적이고 정적 마르코프 과정의 덧셈형 기능에 대한 편차 바ounds를 수립한다. 핵심 결과는 $ \mathbb{P}_{\nu}\left(\left|\frac{1}{t}\int_0^t V(X_s)ds - \int Vd\mu\right| \geq R\right) \leq \left\|\frac{d\nu}{d\mu}\right\|_{L^2(\mu)} \exp\left(-\frac{tR^2}{8C_P \text{Var}_\mu(V)}\right) $ 형태의 가우시안형 尾 확률 바ounds를 제공하며, 이는 불변 측도 $\mu$에 대한 Poincaré 부등식 가정 하에 유효하다. 이 바ounds는 점근적이지 않으며, 큰 $t$ 근처에서 최적이다.

ABSTRACT

In this paper we derive non asymptotic deviation bounds for $$¶_ν(|\frac 1t \int_0^t V(X_s) ds - \int V dμ| \geq R)$$ where $X$ is a $μ$ stationary and ergodic Markov process and $V$ is some $μ$ integrable function. These bounds are obtained under various moments assumptions for $V$, and various regularity assumptions for $μ$. Regularity means here that $μ$ may satisfy various functional inequalities (F-Sobolev, generalized Poincaré etc...).

연구 동기 및 목표

• 연속 시간, 정적 마르코프 과정에서 덧셈형 기능의 시간 평균이 평형 평균에서 벗어나는 편차에 대한 비점근적 상한을 유도하기 위해.
• 이러한 바ounds가 초기 분포 $\nu$, 함수 $V$, 그리고 불변 측도 $\mu$에 어떻게 의존하는지 기술하기 위해.
• 기능 부등식(예: Poincaré 및 로그-Sobolev)을 사용하여 편차 확률이 시간 $t$에 따라 지수적으로 감소하는 조건을 설정하기 위해.

제안 방법

• 이 방법은 마르코프 과정의 생성자 $L$과 피칸-카스 반군을 이용하여 덧셈형 기능의 라플라스 변환을 제어하는 데 기반한다.
• 핵심 양 $\Lambda(V) = \sup_{f \in D(L), \|f\|_{L^2(\mu)}=1} \left\{ \int V f^2 d\mu + \langle Lf, f \rangle_\mu \right\}$는 $\mu$에 대한 기능 부등식을 사용하여 유계화된다.
• Poincaré의 경우, $\Lambda(\lambda V) \leq \frac{\lambda^2 \text{Var}_\mu(V)}{G_P - \lambda}$라는 바ounds가 유도되며, 여기서 $G_P = 1/C_P$ 이고 $C_P$는 Poincaré 상수이다.
• 편차 확률은 이후 레전드르 변환 $I_V(R) = \sup_{\lambda \geq 0} \{ \lambda R - \Lambda(\lambda V) \}$을 통해 제어되며, 이는 가우시안형 尾 바ounds로 이어진다.
• 이 접근법은 시간 반전 및 상대 엔트로피 고려를 통해 대칭 및 초수렴 반군으로 확장된다.
• 절대 연속이 아닌 초기 측도에 대해서는 전이 핵의 밀도 유계화를 사용하여 방법을 적응시켰으며, $U$의 기울기 및 라플라스 연산자 제어 조건 하에 $h_t^x \in L^2(\mu)$임을 보였다.

실험 결과

연구 질문

• RQ1 정적이고 정적 마르코프 과정의 덧셈형 기능에 대해 비점근적 편차 바ounds를 얻을 수 있는 조건은 무엇인가?
• RQ2 초기 측도 $\nu$에 대한 의존성(즉, $\|d\nu/d\mu\|_{L^2(\mu)}$)이 尾 감쇠 속도에 어떻게 영향을 미치는가?
• RQ3 불변 측도 $\mu$에 대한 기능 부등식(예: Poincaré, 로그-Sobolev)을 사용하여 명시적이고 정량적인 편차 바ounds를 도출할 수 있는가?
• RQ4 유도된 바ounds의 정밀도는 대편차 이론 및 스펙트럼 이론과 어떻게 관련이 있는가?
• RQ5 초기 측도 $\nu$가 $\mu$에 대해 절대 연속이 아닌 경우 이 방법을 어떻게 확장할 수 있는가?

주요 결과

• Poincaré 부등식 상수 $C_P$ 가 존재할 경우, 편차 확률은 $ \mathbb{P}_{\nu}\left(\left|\frac{1}{t}\int_0^t V(X_s)ds - \int Vd\mu\right| \geq R\right) \leq \left\|\frac{d\nu}{d\mu}\right\|_{L^2(\mu)} \exp\left(-\frac{tR^2}{8C_P \text{Var}_\mu(V)}\right) $ 를 만족하며, 이는 모든 $t > 0$ 및 $0 < R \leq 1$ 에 대해 성립한다. 이때 $\sup|V| = 1$ 이고 $\int V d\mu = 0$ 이라고 가정한다.
• 이 바ounds는 점근적으로 최적이며, 대편차 이론의 예측과 스펙트럼 갭 이론의 결과와 일치한다.
• 이 방법은 역으로도 적용 가능하다: 만약 모든 작은 $\lambda$ 에 대해 $\Lambda(\lambda V) \leq C\lambda^2$ 가 균일하게 성립한다면, $\mu$는 Poincaré 부등식을 만족한다.
• 대칭 반군의 경우 시간 반전과 초수렴성 고려를 통해 바ounds가 향상되어 더 날카로운 상수를 얻는다.
• 초수렴성의 경우(로그-Sobolev), 바ounds는 상대 엔트로피를 포함한다: $ \mathbb{P}_{\nu}(\mathcal{A}) \leq (e-1)\exp\left(-\frac{tR^2}{32C_P \text{Var}_\mu(V)}\right) + H(h_\nu)\exp\left(-\frac{tR}{2C_{LS}}\right) $.
• 잠재력 $U$를 가진 확산 과정의 경우, $\nabla U$ 및 $\Delta U$에 대한 온건한 조건 하에 전이 밀도 $h_t^x$ 가 $L^2(\mu)$ 에 속함을 보였으며, 이는 $L^2$-기반 바ounds의 적용을 가능하게 한다.