[论文解读] MOD- CONVERGENCE AND PRECISE DEVIATIONS

Valentin Féray, Pierre‐Loïc Méliot+1 more|arXiv (Cornell University)|Jan 1, 2014

Random Matrices and Applications参考文献 68被引用 10

一句话总结

本文提出了一种新颖的框架，利用模收敛（mod-收敛）推导一般随机变量序列的精确偏差，涵盖格点、非格点及多维情形。该框架为概率如 P(Xₙ ∈ tₙB) 提供了精确的渐近估计，揭示了由于模高斯收敛中余数函数所捕捉的对称性破缺，导致中心极限定理失效的关键尺度。

ABSTRACT

In this paper, we use the framework of mod- convergence to prove precise large or moderate deviations for quite general sequences of random variables (Xn)n2N. The random variables considered can be lattice or non-lattice distributed, and single or multi-dimensional; and one obtains precise estimates of the fluctuations P(Xn 2 tnB), instead of the usual estimates for the rate of exponential decay log(P(Xn2 tnB)). In the special setting of mod-Gaussian convergence, we shall see that our approach allows us to identify the scale at which the central limit theorem ceases to hold and we are able to quantify the breaking of symmetry at this critical scale thanks to the residue or limiting function occurring in mod- convergence. The first sections of the article are devoted to a proof of these abstract results. We then propose new examples covered by this theory and coming from various areas of mathematics: classical probability theory (multi-dimensional random walks, random point processes), number theory (statistics of additive arithmetic functions), combinatorics (statistics of random permutations), random matrix theory (characteristic polynomials of random matrices in compact Lie groups), graph theory (number of subgraphs in a random Erdos-Renyi graph), and non- commutative probability theory (asymptotics of random character values of symmetric groups). In particular, we complete our theory of precise deviations by a concrete method of cumulants and dependency graphs, which applies to many examples of sums of weakly dependent random variables. Although the latter methods can only be applied in the more restrictive setting of mod-Gaussian convergence, the large number as well as the variety of examples which are covered there hint at a universality class for second order fluctuations.

研究动机与目标

• 开发一种基于模收敛的一般精确大偏差或中偏差理论，适用于多种随机变量。
• 以显式渐近展开式替代标准的指数率估计，精确刻画波动概率。
• 确定在模高斯收敛中，中心极限定理失效的关键尺度。
• 统一并拓展来自不同数学领域（如数论、组合数学和随机矩阵理论）的偏差结果。
• 建立一种基于矩生成函数与依赖图的切实方法，用于弱依赖随机变量在模高斯收敛下的分析。

提出的方法

• 利用模收敛框架分析序列 (Xₙ)ₙ∈ℕ 的特征函数渐近行为。
• 通过分析模高斯收敛中的余数函数或极限函数，推导 P(Xₙ ∈ tₙB) 的精确估计。
• 应用基于矩的方法，控制弱依赖随机变量和的高阶波动。
• 利用依赖图对复杂随机结构（如随机排列或子图）中的依赖关系进行建模与有界控制。
• 建立关键尺度处对称性破缺与余数函数解析性质之间的联系。
• 将抽象的收敛结果转化为多个数学领域中的具体概率估计。

实验结果

研究问题

• RQ1 如何在超越标准指数率近似的基础上，为一般随机变量序列推导精确偏差？
• RQ2 在模高斯收敛中，中心极限定理失效的关键尺度是什么？这一现象如何由余数函数捕捉？
• RQ3 基于矩与依赖图的方法在分析弱依赖随机变量的二阶波动时，其适用范围和有效性如何？
• RQ4 哪些数学结构在模高斯收敛下表现出二阶波动的普遍性类？
• RQ5 模收敛的结果如何应用于数论、组合数学与随机矩阵理论中的具体问题？

主要发现

• 本文为 P(Xₙ ∈ tₙB) 提供了显式渐近展开式，以精确波动估计替代标准的对数概率衰减。
• 在模高斯收敛中，余数函数量化了在中心极限定理不再适用的关键尺度处的对称性破缺。
• 该理论可统一适用于格点与非格点、单变量与多变量情形，显著拓展了偏差分析的适用范围。
• 基于矩与依赖图的新方法，使弱依赖设定下（尤其在模高斯收敛下）的精确偏差估计成为可能。
• 该框架统一了来自不同领域（如随机排列、加法数论函数、随机矩阵特征多项式）的结果。
• 广泛的应用实例表明，在模高斯收敛下，二阶波动存在一个普遍性类。