[论文解读] Concentration phenomena in high dimensional geometry

Olivier Guédon|arXiv (Cornell University)|Jan 1, 2014

Point processes and geometric inequalities参考文献 85被引用 22

一句话总结

本文研究高维几何中的集中现象，聚焦于对数凹和s-凹概率测度。建立了凸体与随机向量的等参常数的精确界限，证明了(−1/r)-凹的等参向量表现出强烈的测度集中性，尤其在ℓ²范数下，给出了改进协方差矩阵估计和高维体积计算算法的显式尾部界限。

ABSTRACT

The purpose of this note is to present several aspects of concentration phenomena in high dimensional geometry. At the heart of the study is a geometric analysis point of view coming from the theory of high dimensional convex bodies. The topic has a broad audience going from algorithmic convex geometry to random matrices. We have tried to emphasize different problems relating these areas of research. Another connected area is the study of probability in Banach spaces where some concentration phenomena are related with good comparisons between the weak and the strong moments of a random vector.

研究动机与目标

• 理解高维空间中测度集中现象背后的几何与概率机制。
• 为凸体和对数凹测度的等参常数LK建立统一的界限，将其与超平面（切片）猜想联系起来。
• 开发分析巴拿赫空间中随机向量的矩与集中性的新工具，特别是针对s-凹和ψ₂型向量。
• 将这些结果应用于高维中的算法问题，如体积计算与协方差矩阵估计。
• 将经典矩比较不等式（弱矩与强矩）推广至对数凹与s-凹测度的设定。

提出的方法

• 利用Prékopa–Leindler不等式与几何分析刻画对数凹测度及其在线性变换与卷积下的稳定性。
• 引入对数凹函数f的集合族Kp(f)，证明其为凸集，并将其等参常数与f的等参常数联系起来。
• 应用高斯集中性与Gordon的极小极大定理，通过随机向量的H(p, λ)假设推导矩比较不等式。
• 采用Zp体对偶性与线性形式的范数逼近，控制线性泛函的p阶矩。
• 利用惯性椭球与随机舍入将凸体置于近似等参位置，从而实现高效的体积计算。
• 应用多阶段蒙特卡洛算法，其混合时间界限由等周不等式与谱间隙估计导出。

实验结果

研究问题

• RQ1 凸体的等参常数与其关联的对数凹测度的测度集中性之间有何关系？
• RQ2 对数凹或s-凹随机向量的弱矩与强矩能否以与维度无关的统一常数进行比较？
• RQ3 (−1/r)-凹随机向量在多大程度上满足H(p, λ)假设，这对矩与尾部界限有何影响？
• RQ4 如何利用等参s-凹向量的ℓ²范数的集中性质来改进协方差矩阵估计？
• RQ5 s-凹向量的经验协方差矩阵的最优收敛速率是多少？其依赖于r与n的关系如何？

主要发现

• 超平面猜想等价于所有维度与所有凸体的等参常数LK的统一有界性。
• 对任意对数凹函数f，其等参常数满足Lf ≤ c n^{1/4}，优于先前的界限。
• 在ℝ^n中，任意(−1/r)-凹的等参随机向量X，对所有0 < p < r/2，均满足H(p, C)假设，其中C为通用常数。
• 对于此类向量，ℓ²范数满足尾部界限P(|X|₂ > t√n) ≤ (c max(1, r/√n)/t)^{r/2}，表现出强烈的集中性。
• 当r ≥ log n且N ≥ C(ε)n时，N个i.i.d.的等参(−1/r)-凹向量的经验协方差矩阵以高概率在ε范围内逼近单位矩阵。
• 结果意味着对随机体积计算算法中使用的马尔可夫链的混合时间界限得到改进，尤其通过惯性椭球逼近。