[论文解读] Multidimensional Probabilistic Rearrangement Invariant Spaces: A New Approach

E. Ostrovsky, L. Sirota|arXiv (Cornell University)|Feb 14, 2012

Advanced Harmonic Analysis Research参考文献 23被引用 4

一句话总结

本文提出了一种在多维重排不变（m.d.r.i.）空间中定义范数的新方法，通过在单位球面上的紧集上对方向投影取上确界。利用熵积分技术和Young-Fenchel变换，作者推导出随机场的指数尾部界，将经典的一维矩和大勒贝格-里茨空间理论推广至高维，适用于高斯过程和极限定理。

ABSTRACT

We introduce and investigate in this paper a new convenient method of introduction of a norm in the multidimensional rearrangement probability invariant space.

研究动机与目标

• 提出一种系统化的方法，基于紧集上的方向上确界，定义多维重排不变（m.d.r.i.）空间中的范数。
• 将此前仅在一维设置中使用的经典矩和指数尾部估计技术，推广至多维随机向量和场。
• 在一般且无界的测度下，建立m.d.r.i.空间的嵌入定理和尾部概率界。
• 为利用熵和凸对偶研究随机场的连续性和收敛性提供理论基础。

提出的方法

• 将m.d.r.i.范数定义为 $||\vec{\xi}||(X^{(d)},B) = \sup_{b \in B} ||(\xi, b)||_X$，其中 $B$ 是单位球面 $S(d)$ 的紧子集，推广了Khintchin的方法。
• 通过 $\epsilon$-网使用熵积分方法，控制度量空间上随机场的上确界，将上确界分解为增量之和。
• 应用Hölder不等式，选择合适的共轭指数 $r(n) = p^n(1-p)^{-1}$，以控制上确界的矩生成函数。
• 利用累积量生成函数 $\nu(\mu)$ 的Young-Fenchel（Legendre）变换 $\nu^*$ 推导出指数尾部界。
• 在参数 $p \in (0, p_0)$ 上进行优化，以改进最终的尾部估计，从而以对偶范数形式获得紧致界。
• 使用泛化链方法作为精炼工具，尤其适用于协方差矩阵有界的高斯过程。

实验结果

研究问题

• RQ1 如何在多维重排不变空间中一致地定义范数，以尊重随机向量的分布对称性？
• RQ2 紧集 $B \subset S(d)$ 在刻画 $d$ 维随机向量范数中的作用是什么？
• RQ3 熵积分技术如何被调整以推导随机场上确界的指数尾部界？
• RQ4 在推导紧致尾部估计时，累积量生成函数 $\nu(\mu)$ 与对偶范数 $\nu^*(v)$ 之间有何关系？
• RQ5 所提出的方法在何种程度上将经典的一维结果推广至多维设置，特别是对次高斯和预高斯过程？

主要发现

• m.d.r.i.范数 $||\vec{\xi}||(X^{(d)},B)$ 具有分布不变性，通过 $\sup_{b \in B} ||(\xi, b)||_X$ 定义，确保了对称性和鲁棒性。
• 在度量空间 $Y$ 上，中心化随机场 $\xi(y)$ 的上确界被有界为 $\sum_{n=0}^\infty \eta_n$，其中 $\eta_n$ 是 $\epsilon$-网上的增量。
• 上确界的矩生成函数满足 $\mathbb{E} \exp(\mu \sup \xi(y)) \leq \exp\left[w(p) + \nu\left(\frac{\mu}{1-p}\right)\right]$，从而实现尾部估计。
• 通过在 $p$ 上优化，论文推导出界 $U(v) \leq \exp\left[w\left(\frac{C_2}{\pi(v)}\right) - \nu^*(v)\right]$，其中 $\pi(v) = C / (\nabla \nu^*(v), v)$。
• 对于协方差满足 $R \ll E^{(\rho)}$ 的二维高斯场，尾部界变为 $U(v) \leq C(\kappa) \, (v_1^2 - 2\rho v_1 v_2 + v_2^2)^\kappa \exp\left(-0.5(1-\rho^2)^{-1}(v_1^2 - 2\rho v_1 v_2 + v_2^2)\right)$。
• 结果可推广至高维，并支持m.d.r.i.空间的嵌入定理，即使在无界但 $\sigma$-有限测度下也成立。