[论文解读] Fine Grained Analysis of High Dimensional Random Walks

Roy Gotlib, Tali Kaufman|arXiv (Cornell University)|Aug 5, 2022

Stochastic processes and statistical mechanics被引用 1

一句话总结

本文通过将函数的扩张性与谱结构联系起来，而非依赖最坏情况下的特征值界，对单边局部谱膨胀图上的高维随机游走进行了细粒度分析。作者提出了一种新颖的自举框架，统一了高阶随机游走定理与滴落定理，使结构化链的收敛界更紧密，相较于 Alev 和 Lau（2020）的工作，在一般性和精度上均有提升。

ABSTRACT

One of the most important properties of high dimensional expanders is that high dimensional random walks converge rapidly. This property has proven to be extremely useful in variety of fields in the theory of computer science from agreement testing to sampling, coding theory and more. In this paper we present a state of the art result in a line of works analyzing the convergence of high dimensional random walks~\cite{DBLP:conf/innovations/KaufmanM17,DBLP:conf/focs/DinurK17, DBLP:conf/approx/KaufmanO18,DBLP:journals/corr/abs-2001-02827}, by presenting a \emph{structured} version of the result of~\cite{DBLP:journals/corr/abs-2001-02827}. While previous works examined the expansion in the viewpoint of the worst possible eigenvalue, in this work we relate the expansion of a function to the entire spectrum of the random walk operator using the structure of the function; We call such a theorem a Fine Grained High Order Random Walk Theorem. In sufficiently structured cases the fine grained result that we present here can be much better than the worst case while in the worst case our result is equivalent to~\cite{DBLP:journals/corr/abs-2001-02827}. In order to prove the Fine Grained High Order Random Walk Theorem we introduce a way to bootstrap the expansion of random walks on the vertices of a complex into a fine grained understanding of higher order random walks, provided that the expansion is good enough. In addition, our \emph{single} bootstrapping theorem can simultaneously yield our Fine Grained High Order Random Walk Theorem as well as the well known Trickling down Theorem. Prior to this work, High order Random walks theorems and Tricking down Theorem have been obtained from different proof methods.

研究动机与目标

• 通过将函数结构与谱扩张性关联，超越最坏情况下的特征值分析，提供高维随机游走的细粒度理解。
• 在单一自举框架下统一高维膨胀理论中的两个核心定理——高阶随机游走定理与滴落定理。
• 将细粒度分析从双侧扩展到单边局部谱膨胀图，后者在如拟阵基采样等应用中至关重要。
• 证明最小且完全平衡的链是 k 级链，从而在结构化设定中实现更紧密的谱控制。
• 以新型自举技术替代基于特征分解的方法，实现从顶点层级扩张到高维随机游走的提升。

提出的方法

• 引入一种新的自举框架，将顶点层级随机游走的扩张性质推广至单纯复形上的高维随机游走。
• 定义并分析局部最小链，证明 (k−1)-局部最小性蕴含 k 级链结构。
• 证明最小链是 (k−1)-局部最小的，从而通过上边缘算子范数最小化确立其 k 级性质。
• 组合地定义完全平衡链，并证明此类链在居中后可通过邻域平均得到 i 级链。
• 利用谱分解与上边缘算子性质，将函数结构与扩张性关联，避免依赖完整的特征分解。
• 将该框架应用于同时从单一统一的证明结构中推导出高阶随机游走定理与滴落定理。

实验结果

研究问题

• RQ1 是否可以通过引入函数结构而非依赖最坏情况下的特征值，对高维随机游走的收敛性进行更精细的分析？
• RQ2 是否存在一个统一框架，能够使用相同的核心技术同时推导出高阶随机游走定理与滴落定理？
• RQ3 在单边局部谱膨胀图中，最小链与完全平衡链如何与 k 级链结构相关联？
• RQ4 是否可以系统地将顶点层级的扩张性自举至高维随机游走收敛性，而无需完整特征分解？
• RQ5 链的局部最小性与谱扩张性之间存在何种精确关系？

主要发现

• 本文确立了每个最小链都是 k 级链，通过上边缘算子范数最小化提供了最小性的谱表征。
• 证明了 (k−1)-局部最小链是 k 级链，将局部结构与全局谱行为联系起来。
• 证明最小链是 (k−1)-局部最小的，从而蕴含其 k 级结构，使分析更加紧密。
• 通过组合定义的完全平衡链在居中后产生 i 级链，展示了其与谱扩张性的结构关联。
• 自举框架同时导出高阶随机游走定理与滴落定理，统一了此前两条独立的证明路径。
• 该框架在保持最坏情况等价性的同时，相较于 Alev 和 Lau（2020）提供了结构化函数更优的收敛界。