[论文解读] A Slightly Improved Bound for the KLS Constant

Arun Jambulapati, Yin Tat Lee+1 more|arXiv (Cornell University)|Aug 24, 2022

Molecular spectroscopy and chirality被引用 4

一句话总结

本文通过改进 Klartag 和 Lehec 的随机定位技术，提升了高维凸几何中 KLS 常数的多对数界。通过在 Lee-Vempala 随机过程中优化均值向量范数增长与协方差控制之间的权衡，作者获得了更紧的界：$\sigma_n \lesssim \log^{2.2226}n$ 与 $\psi_n \lesssim \log^{3.2226}n$，相较于先前的 $\log^4 n$ 和 $\log^5 n$ 界有显著改进。

ABSTRACT

We refine the recent breakthrough technique of Klartag and Lehec to obtain an improved polylogarithmic bound for the KLS constant.

研究动机与目标

• 改进高维等分布对数凹分布下 KLS 常数的多对数上界。
• 改进 Klartag 和 Lehec 的随机定位框架，以实现对维度更紧的依赖关系。
• 在随机过程中优化均值向量范数与协方差算子增长之间的权衡。
• 在薄壳常数与 KLS 常数方面，建立对先前 $\log^4 n$ 与 $\log^5 n$ 界的定量改进。
• 证明通过仔细分析 Lee-Vempala 随机过程与 $T_\mu$ 泛函，KLS 猜想的多对数界可被改进。

提出的方法

• 通过将均值向量范数的平方 $\|a_t\|^2$ 作为薄壳常数 $\sigma_n^2$ 的代理变量，而非仅依赖于 $\mathrm{Tr}(A_t^q)$，来改进随机定位过程。
• 应用 Lee-Vempala 版本的随机定位，通过去除逆协方差缩放简化动力学，从而实现对均值向量增长的更紧密控制。
• 在引理 8 的积分界中，对 $t_\lambda$ 进行新的时间依赖型优化，以平衡两项：$\frac{1}{n\lambda^2}\mathbb{E}\|a_{t_\lambda}\|^2$ 与 $\frac{1}{\lambda t_\lambda}$。
• 引入参数 $\gamma$ 以控制均值向量范数的衰减速率，并在 $\gamma$ 与 $T_\mu$ 泛函中的参数 $q$ 上进行优化。
• 利用 Chen（2022）对 $q$-强对数凹分布的改进 $T_\mu$ 界，以控制 $\mathrm{Tr}(A_t^q)$ 的导数。
• 推导出关于 $\sigma_n$ 与 $\psi_n$ 的递归不等式，并求解最小指数 $\eta$，使得 $\sigma_n \lesssim \log^\eta n$，从而得到最终界。

实验结果

研究问题

• RQ1 KLS 常数的多对数界能否超越 Klartag 和 Lehec 的 $\log^5 n$ 结果？
• RQ2 在 Lee-Vempala 随机过程中，对均值向量范数增长的分析进行改进，是否能获得更优的对数界指数？
• RQ3 在 $\sigma_n^2$ 的积分界中，时间参数 $t_\lambda$ 与衰减速率 $\gamma$ 之间的最优权衡是什么？
• RQ4 能否更有效地利用 $T_\mu$ 泛函界，以减少在随机定位框架中对维度的依赖？
• RQ5 参数 $q$ 与 $\gamma$ 的何种取值能使界 $\sigma_n \lesssim \log^\eta n$ 中的指数 $\eta$ 最小化？

主要发现

• 本文建立了薄壳常数的新上界 $\sigma_n \lesssim \log^{2.2226}n$，优于先前的 $\log^4 n$ 界。
• KLS 常数被改进为 $\psi_n \lesssim \log^{3.2226}n$，相较于先前的 $\log^5 n$ 结果有显著收紧。
• 该改进通过在积分界中优化时间参数 $t_\lambda$，并改进 Lee-Vempala 随机过程中均值向量范数增长的分析实现。
• 最优参数 $\gamma = 2\sqrt{2}$ 与 $q = 3$ 可使薄壳常数的最小指数 $\eta = \frac{63\sqrt{2} - 36}{82} \leq 0.6476$，从而导出最终界。
• 分析表明，通过仔细分析 Lee-Vempala 随机过程与 $T_\mu$ 泛函，KLS 猜想的多对数界可在指数上实现改进，提示通往统一常数界的可能性。
• 结果表明，$\psi_n \lesssim \sigma_n$ 的假设可导出比一般情况更紧的界，凸显了 KLS 猜想在优化分析中的关键作用。