[论文解读] Elephant random walks with delays

Allan Gut, Ulrich Stadtmüller|arXiv (Cornell University)|Jun 11, 2019

Stochastic processes and statistical mechanics参考文献 8被引用 4

一句话总结

本文将大象随机游走（ERW）推广至包含延迟的情形——允许游走者以正概率停留原地——通过将依赖记忆的步长机制推广为三状态过程（±1, 0）。本文建立了位置的大数定律与渐近正态性，表明游走过程在期望与方差上均呈现线性增长，其极限分布取决于记忆结构与延迟概率。

ABSTRACT

In the simple random walk the steps are independent, viz., the walker has no memory. In contrast, in the Elephant Random walk (ERW), which was introduced by Schütz and Trimper in 2004, the walker remembers the whole past, and the next step always depends on the whole path so far. One extension, as suggested in a recent paper by Bercu et al. (arXiv:1902.11220v1), is to allow for delays, that is, to put mass at zero. Our aim is to extend known result for the ordinary ERW to a Random Walk With Delays (ERWD).

研究动机与目标

• 通过在每一步中引入停留原地的可能性（即延迟），将经典大象随机游走进行推广。
• 将已知的普通ERW结果（如大数定律与渐近正态性）推广至包含延迟的情形。
• 分析在受限记忆制度下（例如仅记住第一步或最近一步）游走行为的表现。
• 在各种记忆与延迟配置下，表征位置过程的极限分布，包括均值与方差。
• 识别延迟ERW模型中的相变与临界参数，特别是其与记忆结构的关系。

提出的方法

• 通过令下一步为 +X_K、-X_K 或 0，分别以概率 p、q 和 r（满足 p+q+r=1）定义带延迟的大象随机游走（ERWD），其中 K 在 1 到 n 中均匀随机选取。
• 利用条件期望 E(X_{n+1} | G_n) = (2p - 1) * S_n / n 推导鞅结构与矩方程。
• 应用矩法，在固定初始条件下计算位置 T_n 的一阶与二阶绝对矩及中心矩。
• 通过差分方程与渐近展开推导 E(T_n) 与 Var(T_n) 的渐近表达式，表明其随 n 呈线性增长。
• 通过游走所形成的马尔可夫链的统一遍历性，建立弱收敛性，从而可应用马尔可夫链的中心极限定理。
• 通过将期望与方差与混合分布结合，将固定初始值（X_1 = 1, -1 或 0）下的结果推广至随机初始情形。

实验结果

研究问题

• RQ1 引入延迟（即停留原地的概率非零）如何影响大象随机游走的长期行为？
• RQ2 在完整记忆与受限记忆下，带延迟的ERW的渐近大数定律与中心极限定理为何？
• RQ3 标准ERW中 p = 3/4 处的相变是否在延迟ERW模型中依然存在？临界点如何依赖于延迟概率 r？
• RQ4 当大象仅记住第一步或仅记住最近一步时，位置的均值与方差如何随时间增长？
• RQ5 当初始步长为随机时，归一化位置的极限分布是否可表征为正态分布与点质量的混合？

主要发现

• 当 n → ∞ 时，E(S_n)/n 依概率收敛于 (p - q)/(2 + q - p)，确立了延迟ERW的大数定律。
• S_n 的方差随 n 线性增长，满足 Var(S_n) ~ n * σ_S²，其中 σ_S² = [(p - q)² / (2 + q - p)²] * (p + q - (p - q)²)。
• 归一化位置 (S_n - n(p - q)X_1 / (2 + q - p)) / √n 依分布收敛于一个混合分布，即 (p + q)N(0, σ_T²) + rδ₀。
• 当大象仅记住第一步时，均值随 n 线性增长，方差亦为线性，其显式表达式通过矩方程导出。
• 在仅记住最近一步的情形下，过程为马尔可夫过程且具有统一遍历性，从而可应用马尔可夫链的中心极限定理。
• 延迟模型中相变的临界点为 p - q = 1/2，当 r = 0 时退化为 p = 3/4，与原始ERW一致。