[论文解读] Persistence exponent for discrete-time, time-reversible processes

Frank Aurzada, Nadine Guillotin‐Plantard|arXiv (Cornell University)|Feb 24, 2015

Topological and Geometric Data Analysis参考文献 24被引用 6

一句话总结

本文確立了離散時間、時間可逆的隨機過程的持久指數，專注於高斯隨機景觀中的隨機漫步（RWRS）以及長程依存平穩高斯序列的和。透過與指數函數的創新連結及Slepian不等式，本文在自然的縮放與可逆性假設下，推導出精確的持久指數——一維RWRS在穩定Lévy極限定向下，$\theta = \frac{1}{2\alpha}$；分數布朗運動下，$\theta = \frac{1}{2}$。

ABSTRACT

We study the persistence probability for some discrete-time, time-reversible processes. In particular, we deduce the persistence exponent in a number of examples: first, we deal with random walks in random sceneries (RWRS) in any dimension with Gaussian scenery. Second, we deal with sums of stationary Gaussian sequences with correlations exhibiting long-range dependence. Apart from the persistence probability we deal with the position of the maximum and the time spent on the positive half-axis by the process.

研究动机与目标

• 確定離散時間、時間可逆過程的持久指數 $\theta$，其中 $\mathbb{P}(\max_{k=1,\dots,T} Z_k \leq 0) \sim T^{-\theta + o(1)}$ 當 $T \to \infty$。
• 將分析擴展至非高斯例子，例如高斯隨機景觀中的隨機漫步（RWRS）。
• 建立離散時間版本的連續時間結果，將持久性與形式為 $\Phi(T) = \mathbb{E}\left[\left(\sum_{l=0}^{[T]} e^{Z_l}\right)^{-1}\right]$ 的指數函數連結起來。
• 分析可逆過程中持久性、最大值位置與正半軸停留時間之間的互動關係。
• 在時間可逆性與自然縮放下統一並推廣持久指數結果，特別是針對長程依存序列與各維度下的RWRS。

提出的方法

• 引入指數函數 $\Phi(T) = \mathbb{E}\left[\left(\sum_{l=0}^{[T]} e^{Z_l}\right)^{-1}\right]$ 作為持久機率的平滑代理，並與事件 $\max_{k=1,\dots,T} Z_k \leq 0$ 連結。
• 運用Slepian不等式比較具有不同協方差結構的高斯過程的尾機率，進而對持久指數建立界限。
• 應用時間可逆性以推導增量的平穩性與對稱性，這在透過縮放論證推導指數時至關重要。
• 在適當縮放下，建立持久機率與 $\Phi(T)$ 之間的漸近等價性，利用 $\Phi(T)$ 可捕捉長時間負向偏移機率的事實。
• 使用矩估計與 $Z_n^* = \max_{k=1,\dots,n} Z_k$ 的尾部界限，控制大偏差機率，特別是當 $Z_n^* > h$ 對於大 $h$ 時。
• 構造 $\{1,\dots,T\}$ 的區間分解，以利用平穩性與增量控制，對 $\mathbb{P}(N_T < n)$ 進行界限，其中 $N_T$ 為正半軸上的訪問次數。

实验结果

研究问题

• RQ1 對於離散時間、時間可逆過程（如高斯隨機景觀中的隨機漫步）而言，持久指數 $\theta$ 是什麼？
• RQ2 持久指數如何依賴於平穩高斯序列中底層的縮放與長程依存結構？
• RQ3 持久機率能否與指數函數 $\Phi(T)$ 連結？此函數如何協助推導指數？
• RQ4 時間可逆性在決定持久指數中扮演何種角色？與一般過程相比，它如何簡化分析？
• RQ5 在可逆過程中，最大值位置與正半軸停留時間如何與持久指數相關？

主要发现

• 對於一維RWRS，若隨機漫步處於指數 $\alpha \in (1,2]$ 的嚴格穩定分佈的吸引域中，則持久指數為 $\theta = \frac{1}{2\alpha}$，此結果透過縮放極限至Kesten-Spitzer過程推導而出。
• 在高維度（$d \geq 2$）或一維瞬時隨機漫步的情境下，其縮放極限為布朗運動，此時持久指數為 $\theta = \frac{1}{2}$。
• 對於具有長程依存的平穩高斯序列之和，持久指數為 $\theta = \frac{1}{2}$，對應該分數布朗運動的赫斯特指數 $H = \frac{1}{2}$。
• 證明指數函數 $\Phi(T)$ 與持久機率之間具有漸近等價性，提供推導 $\theta$ 的關鍵分析工具。
• Slepian不等式被有效用於控制尾部機率 $\mathbb{P}(Z_n^* > h)$，進而掌控大偏差，並導出持久機率的緊緻上下界。
• 時間可逆性確保了對稱性與增量的平穩性，這對推導至關重要，並允許直接從縮放與函數極限推導持久指數。