[논문 리뷰] Eldan's Stochastic Localization and the KLS Conjecture: Isoperimetry, Concentration and Mixing

Yin Tat Lee, Santosh Vempala|arXiv (Cornell University)|2016. 12. 05.

Stochastic processes and statistical mechanics참고 문헌 42인용 수 4

한 줄 요약

이 논문은 $ \mathbb{R}^n $ 내의 등방성 로그볼록 측도에 대해 체이저 상수에 대한 날카운 $ O(n^{1/4}) $ 상한을 확립하며, 이는 이전의 $ O(n^{1/3}\sqrt{\log n}) $ 상한보다 크게 향상된 결과이다. 이 결과는 엘단의 스토하스틱 로컬라이제이션을 통해 달성되었으며, 이는 점진적으로 가우시안 성분을 도입하는 마링갈 기반의 변환으로, 얇은 껍질 추정치, 파인카레 상수 및 로그-소볼레프 상수, 그리고 볼 워크 알고리즘의 혼합 시간에 대한 개선된 상한을 이끌어낸다.

ABSTRACT

We show that the Cheeger constant for $n$-dimensional isotropic logconcave measures is $O(n^{1/4})$, improving on the previous best bound of $O(n^{1/3}\sqrt{\log n}).$ As corollaries we obtain the same improved bound on the thin-shell estimate, Poincaré constant and Lipschitz concentration constant and an alternative proof of this bound for the isotropic (slicing) constant; it also follows that the ball walk for sampling from an isotropic logconcave density in ${\bf R}^{n}$ converges in $O^{*}(n^{2.5})$ steps from a warm start. The proof is based on gradually transforming any logconcave density to one that has a significant Gaussian factor via a Martingale process. Extending this proof technique, we prove that the log-Sobolev constant of any isotropic logconcave density in ${\bf R}^{n}$ with support of diameter $D$ is $Ω(1/D)$, resolving a question posed by Frieze and Kannan in 1997. This is asymptotically the best possible estimate and improves on the previous bound of $Ω(1/D^{2})$ by Kannan-Lovász-Montenegro. It follows that for any isotropic logconcave density, the ball walk with step size $δ=Θ(1/\sqrt{n})$ mixes in $O\left(n^{2}D ight)$ proper steps from \emph{any }starting point. This improves on the previous best bound of $O(n^{2}D^{2})$ and is also asymptotically tight. The new bound leads to the following large deviation inequality for an $L$-Lipschitz function $g$ over an isotropic logconcave density $p$: for any $t>0$, \[ Pr_{x\sim p}\left(\left|g(x)-\bar{g} ight|\geq L\cdot t ight)\leq\exp(-\frac{c\cdot t^{2}}{t+\sqrt{n}}) \] where $\bar{g}$ is the median or mean of $g$ for $x\sim p$; this generalizes and improves on previous bounds by Paouris and by Guedon-Milman. The technique also bounds the ``small ball'' probability in terms of the Cheeger constant, and recovers the current best bound.

연구 동기 및 목표

• 등방성 로그볼록 측도에 대한 체이저 상수에 대한 기존 최고 상한을 개선하는 것.
• 얇은 껍질 추정치, 파인카레 상수 및 리프시츠 농도 상수에 대한 더 날카운 상한을 확립하는 것.
• 프리에즈와 칸난의 1997년 질문을 해결하는 것 — 로그-소볼레프 상수가 지지 집합의 지름 $ D $ 에 대해 $ \Omega(1/D) $ 임을 보여주는 것.
• 등방성 로그볼록 밀도에서 샘플링을 위한 볼 워크 알고리즘의 혼합 시간 상한을 $ O^*(n^2 D^2) $ 에서 $ O(n^2 D) $ 로 향상시키는 것 — 이는 渐近적으로 날카로운 상한이다.
• 리프시츠 함수에 대한 새로운 대칭 확률 부등식을 유도하여 尾 꼬리 감쇠를 개선하는 것.

제안 방법

• 로그볼록 밀도를 상당한 가우시안 성분을 지닌 것으로 점진적으로 변환하는 연속적인 마링갈 과정인 엘단의 스토하스틱 로컬라이제이션을 활용하는 것.
• 각 단계에서 측도의 비등방성을 줄이는 재귀적 로컬라이제이션 프레임워크를 사용하며, 이는 이차 형식의 모멘트 상한을 활용한다.
• 고차 모멘트를 제어하기 위해 공분산 연산자의 이진 스펙트럼 분해를 적용하는 것.
• 집중성 추론을 통해 로컬라이제이션 과정의 연산자 노름에 대한 상한을 확립하는 것 — $ T \leq 1/(c k (\log n)^{1-1/k} n^{1/k}) $ 이면 $ \mathbb{P}(\max_t \|A_t\|_{\mathrm{op}} \geq 2) \leq 2\exp(-1/(cT)) $ 임을 보이는 것.
• 엘단의 원본 논문에서 제시된 레마 39를 재검토하고 개선하여, $ k=2 $ 일 때 $ \sqrt{\log n} $ 손실 요소를 $ (\log n)^{1/4} $ 로 줄이는 것.
• 새로운 대칭 확률 부등식 유도: $ \mathbb{P}(|g(x) - \bar{g}| \geq L t) \leq \exp(-c t^2 / (t + \sqrt{n})) $ — 이는 파우리스 및 구돈-밀만의 이전 결과를 일반화하고 향상시킨다.

실험 결과

연구 질문

• RQ1 등방성 로그볼록 측도의 체이저 상수는 $ O(n^{1/3}\sqrt{\log n}) $ 보다 더 날카롭게 유계화될 수 있는가?
• RQ2 로그볼록 측도의 지지 집합 지름 $ D $ 에 대해 로그-소볼레프 상수의 최적 의존성은 무엇인가?
• RQ3 등방성 로그볼록 밀도에서 샘플링을 위한 볼 워크의 혼합 시간은 $ O(n^2 D^2) $ 스텝을 초과해 향상시킬 수 있는가?
• RQ4 엘단의 스토하스틱 로컬라이제이션 기법은 로그 손실 요소를 줄임으로써 KLS 추측에 대한 더 날카운 분석을 가능하게 하는가?
• RQ5 서브-가우시안 및 서브-가우시안 유사 꼬리 특성을 통합적으로 기술할 수 있는 새로운 대칭 확률 부등식을 도출할 수 있는가?

주요 결과

• 모든 등방성 로그볼록 측도에 대해 $ \mathbb{R}^n $ 내에서 체이저 상수는 $ O(n^{1/4}) $ 이하로 유계화되며, 이는 이전 최고 상한인 $ O(n^{1/3}\sqrt{\log n}) $ 보다 향상된 결과이다.
• 얇은 껍질 추정치, 파인카레 상수 및 리프시츠 농도 상수 모두 $ O(n^{1/4}) $ 이하로 유계화된다.
• 지지 집합 지름이 $ D $ 인 모든 등방성 로그볼록 밀도에 대해 로그-소볼레프 상수는 $ \Omega(1/D) $ 이며, 이는 1997년 프리에즈와 칸난의 질문을 해결한 것이다.
• 스텝 크기가 $ \delta = \Theta(1/\sqrt{n}) $ 인 볼 워크는 임의의 시작점에서 $ O(n^2 D) $ 개의 적절한 스텝 내에 혼합되며, 이는 이전의 $ O(n^2 D^2) $ 상한보다 향상된 결과이다.
• 새로운 대칭 확률 부등식에 따르면, 임의의 $ L $-리프시츠 함수 $ g $ 에 대해 $ \mathbb{P}(|g(x) - \bar{g}| \geq L t) \leq \exp(-c t^2 / (t + \sqrt{n})) $ 임을 보이며, 이는 이전 결과를 일반화하고 향상시킨다.
• 이 방법은 체이저 상수에 기반한 현재 최고의 소볼 확률 상한을 회복하며, 渐진적 영역에서 그 최적성과 일치함을 확인한다.