[论文解读] Cutoff for non-backtracking random walks on sparse random graphs

Anna Ben-Hamou, Justin Salez|arXiv (Cornell University)|Apr 9, 2015

Markov Chains and Monte Carlo Methods参考文献 19被引用 4

一句话总结

该论文在配置模型生成的稀疏随机图上建立了非回溯随机游走（NBRW）的截断现象，证明了距离平稳分布的偏差在大小为 $\omega_\star = \sqrt{\sigma^2 \log N / \mu^3}$ 的窗口内从接近 1 急剧下降至接近 0，且归一化后的截断轮廓收敛于标准正态分布的尾部分布 $\Phi(\lambda)$。该结果在一般稀疏条件下成立，并揭示了与度序列无关的普遍截断形状。

ABSTRACT

A finite ergodic Markov chain is said to exhibit cutoff if its distance to stationarity remains close to 1 over a certain number of iterations and then abruptly drops to near 0 on a much shorter time scale. Discovered in the context of card shuffling (Aldous-Diaconis, 1986), this phenomenon is now believed to be rather typical among fast mixing Markov chains. Yet, establishing it rigorously often requires a challengingly detailed understanding of the underlying chain. Here we consider non-backtracking random walks on random graphs with a given degree sequence. Under a general sparsity condition, we establish the cutoff phenomenon, determine its precise window, and prove that the (suitably rescaled) cutoff profile approaches a remarkably simple, universal shape.

研究动机与目标

• 在一般度序列下，建立稀疏随机图上非回溯随机游走（NBRW）的截断现象。
• 确定稀疏区域中混合时间窗口的精确尺度以及截断轮廓的极限形状。
• 证明截断轮廓收敛于标准正态分布的尾部 $\Phi(\lambda)$，且与具体度序列无关。
• 分析在配置模型下 NBRW 的行为，其中半边的配对是均匀随机的。
• 推导出 $\log(\deg(v)-1)$ 的均值 $\mu$、方差 $\sigma^2$ 和三阶矩 $\varrho$ 的条件，以确保截断现象发生。

提出的方法

• 将 NBRW 建模为在半边上运行的马尔可夫链，其转移规则为：从当前半边所属顶点的邻居中均匀随机选择下一个半边。
• 定义总变差距离到平稳分布 $\mathcal{D}(t)$，以及混合时间 $t_{\textsc{mix}}(\varepsilon)$ 为满足 $\mathcal{D}(t) < \varepsilon$ 的时刻。
• 引入关键统计量：$\mu = \frac{1}{N}\sum \deg(v)\log(\deg(v)-1)$，$\sigma^2$，和 $\varrho$，这些量控制截断行为。
• 通过加权探索过程的鞅分析建立截断现象，追踪广度优先探索中未配对邻居的权重。
• 使用截断鞅上的弗雷德曼不等式控制权重过程的偏差，证明其围绕期望路径集中。
• 推导出截断窗口 $\omega_\star = \sqrt{\sigma^2 \log N / \mu^3}$，并证明当以 $t_\star = \log N / \mu$ 为中心时，$t_{\textsc{mix}}(\varepsilon)$ 的分布收敛于 $\Phi^{-1}(\varepsilon)$。

实验结果

研究问题

• RQ1 稀疏随机图上的非回溯随机游走是否表现出截断现象？
• RQ2 截断窗口 $\omega_\star$ 的精确尺度如何由图的度统计量决定？
• RQ3 归一化后的截断轮廓是否收敛于一个与度序列无关的普遍极限？
• RQ4 对 $\log(\deg(v)-1)$ 的矩 $\mu$、$\sigma^2$ 和 $\varrho$ 如何影响截断行为？
• RQ5 在何种一般稀疏条件下，截断现象成立？

主要发现

• 稀疏随机图上的 NBRW 表现出尖锐的截断现象，距离平稳分布的偏差从接近 1 急剧下降至接近 0。
• 截断时间为 $t_\star = \log N / \mu$，截断窗口为 $\omega_\star = \sqrt{\sigma^2 \log N / \mu^3}$。
• 归一化后的截断轮廓以概率收敛于标准正态分布的尾部分布 $\Phi(\lambda) = \frac{1}{2\pi} \int_\lambda^\infty e^{-u^2/2} du$。
• 极限截断形状是普遍的，不依赖于具体的度序列，仅取决于 $\mu$、$\sigma^2$ 和 $\varrho$。
• 该结果在弱条件 $\sigma^2 / \mu^3 \gg (\log\log N)^2 / \log N$ 和 $\sigma^3 / (\varrho \sqrt{\mu}) \gg 1 / \sqrt{\log N}$ 下成立。
• 证明依赖于加权探索过程的鞅分析，集中不等式通过弗雷德曼不等式导出。