[论文解读] A remark on the minimal dispersion

Alexander E. Litvak|arXiv (Cornell University)|May 25, 2020

Mathematical Approximation and Integration参考文献 12被引用 5

一句话总结

该论文通过一种新颖的轴对齐长方体构造方法和经过修改的均匀分布的随机点选择策略，改进了单位立方体和环面上点集最小分散度的上界。关键结果是在非周期性设置下，实现了接近最优的 $\exp\left(\frac{9\ln(1/\varepsilon)\ln(18d)}{\varepsilon}\right)$ 绑定大小，该结果在对数因子范围内近乎紧致。

ABSTRACT

We improve known upper bounds for the minimal dispersion of a point set in the unit cube and its inverse in both the periodic and non-periodic settings. Some of our bounds are sharp up to logarithmic factors.

研究动机与目标

• 改进 $d$-维单位立方体和环面上点集最小分散度的已知上界。
• 在 $n$ 和 $d$ 同时增长且不固定任一变量的情况下，分析逆分散函数 $N(\varepsilon,d)$ 的行为。
• 提出一种新的轴对齐长方体构造方法，使其在随机点选择框架下可实现更紧密的概率分析。
• 在 $\varepsilon$ 相对于 $d$ 并非极小的区域中，建立最小分散度的近乎紧致界。
• 将分析扩展至周期性（环面）情形，并与非周期性情形的界进行比较。

提出的方法

• 引入函数 $\phi_\varepsilon$，将 $[0,1]^d$ 中的点映射到长度至少为 $1-\varepsilon$ 的区间，从而以高概率近似长区间。
• 通过组合大小为 $m \approx \frac{\ln(1/\varepsilon)}{\varepsilon}$ 的子集 $A \subset [d]$ 上的 $m$-维网，构造一个 $(1/2)$-dinet $\mathcal{N}$。
• 通过对所有 $m$-子集 $A \subset [d]$ 取并集，覆盖所有可能的长区间配置，确保大体积长方体被覆盖。
• 利用 $\phi_\varepsilon$ 在 $[0,1]^d$ 上的修改均匀分布进行概率论证，表明随机点集以高概率满足分散条件。
• 在 $m$-维子空间中采用递归方式构造网，利用已知的 $m$-维分散界。
• 使用区间长度的排列 $\sigma$ 优先处理 $m$ 个最长区间，确保在 $A^\sigma$ 上的投影长方体捕获体积的显著部分。

实验结果

研究问题

• RQ1 当 $n$ 和 $d$ 同时增长时，最小分散度 $\mathrm{disp}^*(n,d)$ 的最佳可能上界是什么？
• RQ2 在 $\varepsilon \geq \frac{\ln^2 d}{d}$ 的情形下，能否比以往结果更紧地界定逆分散函数 $N(\varepsilon,d)$？
• RQ3 $(1/2)$-dinet 的构造在高维中如何改善随机点集分析？
• RQ4 函数 $\phi_\varepsilon$ 在实现立方体中长区间更好集中性界方面起到什么作用？
• RQ5 在非周期性和周期性设置下，新界在对数因子范围内有多接近紧致？

主要发现

• 论文在非周期性设置下建立了新的 $(1/2)$-dinet 大小上界 $\exp\left(\frac{9\ln(1/\varepsilon)\ln(18d)}{\varepsilon}\right)$，该界可推出对 $N(\varepsilon,d)$ 的相应上界。
• 该界在对数因子范围内近乎紧致，在 $\varepsilon \geq \frac{\ln^2 d}{d}$ 的情形下，优于 Sosnovec–Ullrich–Vybíral 的界 $\frac{2^7}{\varepsilon^2} \left(\log_2(1/\varepsilon)\right)^2 \log_2 d$。
• 当 $\varepsilon \geq \frac{C \ln^2 d}{d}$ 时，新界优于 Rudolf 的界 $\frac{8d}{\varepsilon} \log_2(33/\varepsilon)$，表现出对 $\varepsilon$ 更优的依赖关系。
• $(1/2)$-dinet 的构造确保：对任意体积至少为 $\varepsilon$ 的长方体 $B$，存在 $B_0 \in \mathcal{N}$ 满足 $|B_0| \geq \frac{1}{2}|B|$ 且对所有 $z \in B_0$ 有 $\phi_\varepsilon(z) \in B$。
• 通过结合子集选择、通过 $\sigma$ 优先处理区间以及精心设计的映射 $\phi_\varepsilon$ 来处理长区间，该方法实现了近似最优性。
• 分析确认，通过 $\phi_\varepsilon$ 使用修改均匀分布生成的随机点集，以高概率实现所需的分散界。