[论文解读] Localization Schemes: A Framework for Proving Mixing Bounds for Markov Chains

Yuansi Chen, Ronen Eldan|arXiv (Cornell University)|Mar 8, 2022

Markov Chains and Monte Carlo Methods被引用 6

一句话总结

本文提出了一种统一框架——'定位方案'（localization schemes），将谱独立性与随机定位技术相结合，用于证明马尔可夫链的混合时间界。通过将概率测度的演化建模为在空间中定位的鞅过程，该框架使得基于鞅的简洁证明成为可能，从而恢复并简化了谱方法与熵独立性方法的结果，包括随机硬核模型的最优 $O(n\log n)$ 混合时间以及对数凹采样中最优的 KL-散度衰减。

ABSTRACT

Two recent and seemingly-unrelated techniques for proving mixing bounds for Markov chains are: (i) the framework of Spectral Independence, introduced by Anari, Liu and Oveis Gharan, and its numerous extensions, which have given rise to several breakthroughs in the analysis of mixing times of discrete Markov chains and (ii) the Stochastic Localization technique which has proven useful in establishing mixing and expansion bounds for both log-concave measures and for measures on the discrete hypercube. In this paper, we introduce a framework which connects ideas from both techniques. Our framework unifies, simplifies and extends those two techniques. In its center is the concept of a localization scheme which, to every probability measure, assigns a martingale of probability measures which localize in space as time evolves. As it turns out, to every such scheme corresponds a Markov chain, and many chains of interest appear naturally in this framework. This viewpoint provides tools for deriving mixing bounds for the dynamics through the analysis of the corresponding localization process. Generalizations of concepts of Spectral Independence and Entropic Independence naturally arise from our definitions, and in particular we recover the main theorems in the spectral and entropic independence frameworks via simple martingale arguments (completely bypassing the need to use the theory of high-dimensional expanders). We demonstrate the strength of our proposed machinery by giving short and (arguably) simpler proofs to many mixing bounds in the recent literature, including giving the first $O(n \log n)$ bound for the mixing time of Glauber dynamics on the hardcore-model (of arbitrary degree) in the tree-uniqueness regime.

研究动机与目标

• 将两种看似无关的技术——谱独立性与随机定位——统一于一个框架下，用于证明马尔可夫链的混合时间界。
• 基于类似鞅的定位过程，构建一个通用框架，其自然地导出马尔可夫动力学。
• 通过将谱独立性与熵独立性中的现有结果重新表述于统一的鞅框架下，实现简化与拓展。
• 为已知的混合时间界提供新的、简短的证明，并推导出关键模型（如随机硬核模型与伊辛模型）的最优新界。

提出的方法

• 引入'定位方案'的概念——一种随时间索引的概率测度鞅，其在空间中实现定位，每个方案对应一个马尔可夫链。
• 将线性倾斜定位定义为一类推广随机定位的方案，允许对方差与熵衰减进行鞅分析。
• 利用杜布的可选停时定理与鞅收敛定理，推导出谱间隙与修正对数索博列夫常数的界。
• 将该框架应用于证明熵的稳定性与通过谱独立性实现的衰减，从而无需依赖高维展开器理论。
• 通过分析定位过程，推导出受限高斯预言机（Restricted Gaussian Oracle）下采样的 KL-散度衰减界。
• 建立定位过程与函数不等式（如对数索博列夫不等式与 Poincaré 不等式）之间的联系。

实验结果

研究问题

• RQ1 谱独立性与随机定位能否在统一框架下用于证明马尔可夫链的混合时间界？
• RQ2 能否通过鞅论证绕过高维展开器理论，以证明谱独立性与熵独立性？
• RQ3 定位方案在推导随机硬核模型在 Glauber 动力学下最优混合时间界中起什么作用？
• RQ4 该框架能否在 $\exp(n)$-预热初始条件下，为对数凹采样提供最优 KL-散度衰减界？
• RQ5 该框架是否能恢复并简化近期关于近临界伊辛模型及其对数索博列夫不等式的结果？

主要发现

• 本文首次在树唯一性区域下，为随机硬核模型在 Glauber 动力学中建立了 $O(n\log n)$ 的混合时间界，且对任意度数均成立。
• 在任意外场下，证明了伊辛模型在唯一性区域下的最优混合时间界，解决了长期悬而未决的开放问题。
• 通过受限高斯预言机，实现了对数凹采样中最优的 KL-散度衰减，且在任意 $\exp(n)$-预热初始条件下，混合时间均有界。
• 证明了近临界铁磁伊辛模型的对数索博列夫不等式，以更简洁的方式复现了 Bauerschmidt 与 Dagallier 最近的结果。
• 该框架通过基本的鞅论证，复现了谱独立性与熵独立性中的所有主要定理，无需依赖高维展开器理论。
• 本文为文献中若干近期结果提供了简短、自包含的证明，展示了定位方案框架的强大与普适性。