[论文解读] Another look at threshold phenomena for random cones

Daniel Hug, Rolf Schneider|arXiv (Cornell University)|Mar 21, 2021

Point processes and geometric inequalities参考文献 10被引用 5

一句话总结

本文研究了高维随机凸锥中的阈值现象，重点关注当维度 d → ∞ 时，Cover–Efron 和 Donoho–Tanner 随机锥的 k 维面的期望数量。通过面计数比值的单调性及基于熵函数的渐近分析，本文建立了面数坍塌的精确阈值，解决了临界情况 δ = 1/2 的问题，并利用函数 G(δ, ρ) 所决定的指数衰减/增长速率，刻画了阈值处面计数差值的行为。

ABSTRACT

In stochastic geometry there are several instances of threshold phenomena in high dimensions: the behavior of a limit of some expectation changes abruptly when some parameter passes through a critical value. This note continues the investigation of the expected face numbers of polyhedral random cones, when the dimension of the ambient space increases to infinity. In the focus are the critical values of the observed threshold phenomena, as well as threshold phenomena for differences instead of quotients.

研究动机与目标

• 解决 Cover–Efron 随机锥在渐近行为中未解决的临界情况 δ = 1/2 时，k 面期望数量的行为。
• 刻画 Donoho–Tanner 和 Cover–Efron 锥中二项式系数与面计数期望之间差值的阈值行为。
• 建立比值 𝔼fₖ(Cₙ)/binomial(N,k) 关于 N 的单调性性质，作为统一处理临界阈值的关键。
• 将先前关于面数阈值的结果扩展至包含 ρ = ρₛ(δ) 的情况，其中 ρₛ(δ) 是差值 𝔼fₖ(Dₙ) − binomial(N,k) 的新临界阈值。
• 通过基于熵的函数，提供对阈值处缺失面期望数量衰减/增长速率的精细化渐近描述。

提出的方法

• 将比值 𝔼fₖ(Cₙ)/binomial(N,k) 关于 N 的单调性作为关键结构特性，通过组合与概率论证加以证明。
• 应用 Wendel 概率公式 P_{d,N} = C(N,d)/2^N，其中 C(N,d) = 2∑_{i=0}^{d−1} binom(N−1,i)，以表达面计数期望。
• 通过函数 G(δ, ρ) = H(τ) + (1−τ)H(σ) − (1−τ)log 2 进行基于熵的渐近分析，其中 τ = δ，σ = ρ/δ，H 为二项熵函数。
• 利用 Laplace 方法和二项式系数近似，推导 binomial(N,k) − 𝔼fₖ(Dₙ) 和 binomial(N,k) − 𝔼fₖ(Cₙ) 的指数阶渐近行为。
• 通过组合不等式（包括 ∑_{m=0}^{j−1} binom(N−k−1,d−k+m) ≥ binom(N−k−1,d−k)）建立下界，以推导缺失面计数的下界。
• 通过引入依赖于 d 的扰动 ρ(d)，使得 G(δ,ρ(d)) = ((−1)^d /2 +1) log N / N，分析临界阈值 ρ = ρₛ(δ) 处的振荡行为，导致 liminf = 0 且 limsup = ∞。

实验结果

研究问题

• RQ1 当 δ = d/N → 1/2 时，Cover–Efron 随机锥的 k 面期望数量的渐近行为是什么？
• RQ2 在临界阈值 ρ = ρₛ(δ) 处，Cover–Efron 锥的缺失 k 面期望数量（binomial(N,k) − 𝔼fₖ(Cₙ)）如何表现？
• RQ3 Donoho–Tanner 锥中差值 binomial(N,k) − 𝔼fₖ(Dₙ) 的临界阈值 ρₛ(δ) 是什么？它与商阈值 ρ_W(δ) 有何不同？
• RQ4 比值 𝔼fₖ(Cₙ)/binomial(N,k) 关于 N 的单调性是否可用于证明在 δ = 1/2 时极限为 1，而此前的证明方法失效？
• RQ5 在阈值处，缺失 k 面期望数量的精确指数衰减或增长速率是什么？它如何由函数 G(δ, ρ) 所决定？

主要发现

• 当 δ = 1/2 时，𝔼fₖ(Cₙ)/binomial(N,k) 关于 d → ∞ 的极限为 1，解决了此前方法无法处理的临界情况。
• 对于差值 binomial(N,k) − 𝔼fₖ(Dₙ)，临界阈值 ρₛ(δ) 满足 G(δ,ρₛ(δ)) = 0，且当 ρ < ρₛ(δ) 时，lim_{d→∞} [binomial(N,k) − 𝔼fₖ(Dₙ)] = 0；当 ρ > ρₛ(δ) 时，极限为 ∞。
• 在 ρ = ρₛ(δ) 处，缺失 k 面的期望数量满足 liminf_{d→∞} [binomial(N,k) − 𝔼fₖ(Dₙ)] = 0 且 limsup_{d→∞} [binomial(N,k) − 𝔼fₖ(Dₙ)] = ∞，这是由于指数中的振荡行为所致。
• binomial(N,k) − 𝔼fₖ(Cₙ) 的渐近行为由相同的函数 G(δ,ρ) 所决定，当 ρ < ρₛ(δ) 时，lim_{d→∞} [binomial(N,k) − 𝔼fₖ(Cₙ)] = 0；当 ρ > ρₛ(δ) 时，极限为 ∞。
• 在 ρ = ρₛ(δ) 处，Cover–Efron 锥的缺失 k 面期望数量同样满足 liminf = 0 且 limsup = ∞，原因在于指数中存在相同的振荡扰动。
• 函数 G(δ,ρ) = H(τ) + (1−τ)H(σ) − (1−τ)log 2，其中 τ = δ，σ = ρ/δ，决定了缺失面计数的指数衰减/增长速率，当 G(δ,ρ) < 0 时表现为衰减，当 G(δ,ρ) > 0 时表现为增长。