[论文解读] Limit theory for geometric statistics of clustering point processes.

Bartłomiej Błaszczyszyn, D. Yogeshwaran+1 more|arXiv (Cornell University)|Jun 13, 2016

Random Matrices and Applications被引用 8

一句话总结

该论文通过分析U统计量和随机测度的阶乘矩展开，建立了具有快速衰减相关性的聚类点过程（包括行列式点过程和永久式点过程）的几何统计极限理论。它证明了期望和方差的渐近性质，以及非线性几何统计量（如团块计数和固有体积）的中心极限定理，将先前结果推广至线性统计之外的非线性泛函。

ABSTRACT

Let $\mathcal{P}$ be a simple, stationary, clustering point process on $\mathbb{R}^d$ in the sense that its correlation functions factorize up to an additive error decaying exponentially fast with the separation distance. Let $\mathcal{P}_n:= \mathcal{P} \cap W_n$ be its restriction to windows $W_n := [- \frac{n^{1/d}}{2}, \frac{n^{1/d}}{2}]^d \subset \mathbb{R}^d$. We consider the statistic $H_n^\xi:= \sum_{x \in \mathcal{P}_n} \xi(x, \mathcal{P}_n)$ where $\xi(x, \mathcal{P}_n)$ denotes a score function representing the interaction of $x$ with respect to $\mathcal{P}_n$. When $\xi$ depends on local data in the sense that its radius of stabilization has an exponential tail, we establish expectation asymptotics, variance asymptotics, and central limit theorems for $H_n^\xi$ and, more generally, for statistics of the random measures $\mu_n^{\xi} := \sum_{x \in \mathcal{P}_n} \xi(x, \mathcal{P}_n) \delta_{n^{-1/d} x},$ as $W_n \uparrow \mathbb{R}^d$. This gives the limit theory for non-linear geometric statistics (such as clique counts, the number of Morse critical points, intrinsic volumes of the Boolean model, and total edge length of the $k$-nearest neighbor graph) of determinantal point processes with fast decreasing kernels, including the $\alpha$-Ginibre ensembles, extending the Gaussian fluctuation results of Soshnikov [67] to non-linear statistics. It also gives the limit theory for geometric U-statistics of permanental point processes as well as the zero set of Gaussian entire functions, extending the central limit theorems of Nazarov and Sodin [50], which are also confined to linear statistics. The proof of the central limit theorem relies on a factorial moment expansion originating in [10,11] to show clustering of mixed moments of $\xi$. Clustering extends the cumulant method to the setting of purely atomic random measures, yielding the asymptotic normality of $\mu_n^{\xi}$.

研究动机与目标

• 为具有快速衰减相关性的聚类点过程的几何统计建立极限理论。
• 将中心极限定理从线性统计扩展至行列式点过程和永久式点过程的非线性几何U统计量。
• 在稳定化条件下分析与评分函数相关的随机测度的渐近行为。
• 将Soshnikov和Nazarov–Sodin关于高斯波动的结果推广至非线性泛函。
• 通过评分函数混合矩的聚类性，建立几何统计的渐近正态性。

提出的方法

• 在 $\mathbb{R}^d$ 上建立一个简单、平稳且具有聚类特性的点过程模型，其相关函数在指数衰减误差范围内可分解为乘积形式。
• 将过程限制在增长区域 $W_n = [-n^{1/d}/2, n^{1/d}/2]^d$ 上，并定义统计量 $H_n^\xi = \sum_{x \in \mathcal{P}_n} \xi(x, \mathcal{P}_n)$，其中使用局部评分函数。
• 假设评分函数 $\xi$ 的稳定化半径具有指数尾部，以确保局部依赖性。
• 利用文献[10,11]中的阶乘矩展开方法，分析混合矩并证明累积量的聚类性。
• 推导 $H_n^\xi$ 和归一化随机测度 $\mu_n^\xi = \sum_{x \in \mathcal{P}_n} \xi(x, \mathcal{P}_n) \delta_{n^{-1/d}x}$ 的期望与方差渐近性质。
• 通过将累积量方法扩展至纯原子随机测度，利用矩聚类技术，建立 $\mu_n^\xi$ 的渐近正态性。

实验结果

研究问题

• RQ1 对于具有快速衰减相关性的聚类点过程，其几何U统计量的渐近矩（期望与方差）是什么？
• RQ2 在行列式点过程和永久式点过程中，对于非线性几何统计量（如团块计数和固有体积），中心极限定理是否成立？
• RQ3 能否将累积量方法扩展至由点过程上局部评分函数产生的纯原子随机测度？
• RQ4 几何统计的极限律在行列式点过程、永久式点过程和高斯整函数零点集之间有何差异？
• RQ5 评分函数需满足何种条件，才能保证渐近正态性所必需的矩聚类性？

主要发现

• 在评分函数 $\xi$ 的稳定化条件下，该论文建立了 $H_n^\xi$ 的期望与方差的精确渐近展开式。
• 证明了归一化随机测度 $\mu_n^\xi$ 的中心极限定理，表明在弱依赖条件下几何统计量具有渐近正态性。
• 该结果将Soshnikov在 $\alpha$-Ginibre 过程中关于线性统计的高斯波动结果，推广至非线性泛函（如 $k$-近邻图的总边长）。
• 该方法通过阶乘矩展开证明混合矩的聚类性，为几何统计中的极限定理提供了通用框架。
• 该理论适用于具有快速衰减核的行列式点过程、永久式过程以及高斯整函数零点集。
• 通过将累积量方法扩展至原子测度并利用矩聚类技术，首次实现了该理论的中心极限定理，构成一项新颖的技术贡献。