[논문 리뷰] W-Markov measures, transfer operators, wavelets and multiresolutions

Daniel Alpay, Palle E. T. Jørgensen외 1명|arXiv (Cornell University)|2016. 06. 24.

Mathematical Analysis and Transform Methods참고 문헌 34인용 수 10

한 줄 요약

이 논문은 양의 전이 연산자와 마코프 과정 사이의 일반적인 이중성 관계를 수립하며, 임의의 전이 연산자 $ R $ 와 초기 측도 $ \mu_0 $ 가 항상 $ W $-마코프 과정을 생성함을 보여준다. 반대로, 모든 마코프 체인이 이러한 형태의 연산자로부터 유도됨을 밝힌다. 주요 기여는 전이 연산자, 웨이블릿, 다중해상도 분석, 반복함수계통(IFS)을 하나의 프레임워크로 통합한 것으로, $ R $ 의 스펙트럼 성질이 마코프 체인으로 전파되며, 솔레노이드 기반 구조가 $ \mathbf{L}_2 $ 에서 일관된 다중해상도 구조를 제공함을 보여준다.

ABSTRACT

In a general setting we solve the following inverse problem: Given a positive operators $R$, acting on measurable functions on a fixed measure space $(X,\mathcal B_X)$, we construct an associated Markov chain. Specifically, starting with a choice of $R$ (the transfer operator), and a probability measure $μ_0$ on $(X, \mathcal B_X)$, we then build an associated Markov chain $T_0, T_1, T_2,\ldots$, with these random variables (r.v) realized in a suitable probability space $(Ω,\mathcal F, \mathbb P)$, and each r.v. taking values in $X$, and with $T_0$ having the probability $μ_0$ as law. We further show how spectral data for $R$, e.g., the presence of $R$-harmonic functions, propagate to the Markov chain. Conversely, in a general setting, we show that every Markov chain is determined by its transfer operator. In a range of examples we put this correspondence into practical terms: $(i)$ iterated function systems (IFS), $(ii)$ wavelet multiresolution constructions, and $(iii)$ IFSs with random control.

연구 동기 및 목표

• 주어진 양의 전이 연산자 $ R $ 와 초기 측도 $ \mu_0 $ 로부터 마코프 과정을 구성하는 역문제를 해결하며, 웨이블릿과 IFS에서 알려진 구성 방법을 일반화한다.
• 일반적인 측도론적 조건 하에서, 모든 마코프 체인이 고유한 전이 연산자와 상호 대응되며, 그 반대도 성립함을 수립한다.
• 웨이블릿 다중해상도, 정규 또는 상태에 의존하는 확률을 갖는 IFS, 엔도모르피즘 역학 등 다양한 응용을 전이 연산자를 기반으로 하는 하나의 프레임워크로 통합한다.
• 전이 연산자 $ R $ 의 스펙트럼 데이터(예: 조화 함수)가 마코프 과정으로 전파됨을 보이며, 이는 확률적 역학의 스펙트럼 분석을 가능하게 한다.
• 엔도모르피즘과 관련된 솔레노이드 $ \mathbf{L}_2 $-공간 위에 다중해상도 구조를 구성하며, 엔도모르피즘이 척도 연산자인 경우 웨이블릿 기반 다중해상도와 동치임을 증명한다.

제안 방법

• 전이 연산자 $ R $ 를 $ (Rf)(x) = \mathbb{E}[f \circ T_{n+1} \mid T_n = x] $ 로 정의하여 조건부 기대와 마코프 전이 역학을 연결한다.
• $ R $ 과 $ \mu_0 $ 로 마코프 체인 $ (T_n) $ 을 구성하며, $ T_0 $ 의 분포를 $ \mu_0 $ 로 정의하고, $ R $ 을 사용해 전이 커널을 정의한다.
• 엔도모르피즘 $ \sigma $ 와 관련된 솔레노이드 공간 $ \mathrm{Sol}_\sigma(X) $ 를 사용해 $ \mathbf{L}_2 $-다중해상도 구조를 실현하며, 척도 수준은 $ \sigma $ 로 정의한다.
• $ R $ 이 $ \sigma $-균일적이라면, $ \mathrm{Sol}_\sigma(X) $ 상의 마코프 과정이 웨이블릿의 다중해상도 분석과 등가인 구조를 유도함을 증명한다.
• 상수 또는 상태에 의존하는 확률 $ p_i(x) $ 를 갖는 IFS에 이 프레임워크를 적용하여, 웨이블릿 필터와 확률적 제어 시스템을 전이 연산자로 모델링한다.
• 정지 시간 공식과 마코프 정리 이론을 사용해 장기적 행동을 분석하며, $ R $-조화 함수 $ h $ 가 마코프 과정에서 마코프 정리 $ M_n = h \circ T_n $ 를 생성함을 보인다.

실험 결과

연구 질문

• RQ1 어떻게 일반적인 양의 전이 연산자 $ R $ 와 초기 측도 $ \mu_0 $ 를 사용해 측도 공간 $ (X, \mathcal{B}_X) $ 상에서 $ W $-마코프 과정을 구성할 수 있는가?
• RQ2 마코프 체인과 그에 관련된 전이 연산자 사이의 정확한 대응 관계는 무엇이며, 스펙트럼 데이터(예: 조화 함수)는 어떻게 $ R $ 에서 과정으로 전파되는가?
• RQ3 확률이 랜덤이거나 변수인 $ p_i(x) $ 를 갖는 반복함수계통(IFS)의 전이 연산자는 어떻게 표준 웨이블릿 다중해상도 구성 방식을 일반화하는가?
• RQ4 엔도모르피즘 $ \sigma $ 와 관련된 솔레노이드 구조 $ \mathrm{Sol}_\sigma(X) $ 는 $ \mathbf{L}_2 $ 에서 어떤 방식으로 다중해상도 구조를 제공하며, 언제 웨이블릿 기반 다중해상도와 일치하는가?
• RQ5 $ h $ 가 $ R $-조화 함수일 때, 과정 $ M_n = h \circ T_n $ 가 $ (T_n) $ 이 생성하는 필터레이션에 대해 마코프 정리가 되는 조건은 무엇이며, 이는 $ R $ 의 스펙트럼 이론과 어떻게 관련되는가?

주요 결과

• 역문제가 해결됨: 임의의 양의 전이 연산자 $ R $ 과 초기 측도 $ \mu_0 $ 가 주어지면, $ T_0 \sim \mu_0 $ 를 만족하는 $ W $-마코프 과정 $ (T_n) $ 이 구성되며, $ R $ 이 전이 법칙을 결정한다.
• 모든 마코프 체인이 고유한 전이 연산자 $ R $ 에 의해 유도되며, 마코프 과정과 이러한 연산자 사이에 일대일 대응 관계가 성립함을 보였다.
• $ R $-조화 함수 $ h $ (즉, $ Rh = h $) 는 마코프 정리 $ M_n = h \circ T_n $ 를 생성하며, 일반적으로 $ R $ 의 고유값 $ \lambda $ 를 갖는 고유함수는 마코프 정리 $ \lambda^{-n} f \circ T_n $ 를 유도한다.
• 엔도모르피즘 $ \sigma $ 와 관련된 솔레노이드 공간 $ \mathrm{Sol}_\sigma(X) $ 는 $ \mathbf{L}_2 $ 에서 척도가 $ \sigma $ 로 정의된 다중해상도 구조를 지님과 동시에, $ \sigma $ 가 척도 연산자일 경우 웨이블릿 기반 다중해상도와 일치함을 보였다.
• 웨이블릿 구성에서 전이 연산자 $ R $ 는 필터 시스템의 루엘 연산자에 대응하며, $ \mathbf{L}_2(\mathrm{Sol}_\sigma(X)) $ 상의 다중해상도는 표준 웨이블릿 다중해상도와 일치한다.
• 상태에 의존하는 확률 $ p_i(x) $ 를 갖는 IFS—다중 대역 웨이블릿 필터를 모델링함—은 자연스럽게 전이 연산자로 기술되며, 그로 인해 유도된 마코프 과정은 웨이블릿 인코딩의 확률적 역학을 반영한다.