[论文解读] Persisting randomness in randomly growing discrete structures: graphs and search trees

Rudolf Grübel|arXiv (Cornell University)|Jul 3, 2014

Stochastic processes and statistical mechanics参考文献 30被引用 6

一句话总结

本文提出一种基于离散势论与Doob-Martin紧化的边界理论方法，用于检测并量化随机生长离散结构（如随机图和查找树）中持续存在的随机性。该方法建立了结构泛函（如路径长度和Wiener指数）的几乎必然收敛性，而此前仅知其分布收敛，从而强化了组合马尔可夫链上随机过程的极限定理。

ABSTRACT

The successive discrete structures generated by a sequential algorithm from random input constitute a Markov chain that may exhibit long term dependence on its first few input values. Using examples from random graph theory and search algorithms we show how such persistence of randomness can be detected and quantified with techniques from discrete potential theory. We also show that this approach can be used to obtain strong limit theorems in cases where previously only distributional convergence was known.

研究动机与目标

• 分析随机生长离散结构（如随机图和查找树）中的长期依赖性。
• 利用马尔可夫链边界理论检测并量化‘持续随机性’——即早期输入对过程产生持久影响的现象。
• 将函数泛函（如路径长度和Wiener指数）的收敛结果从分布收敛推广至几乎必然收敛。
• 提供一个基于离散势论的一般性框架，适用于组合马尔可夫链，而不仅限于特定模型。
• 证明Doob-Martin紧化可实现强于仅依赖分布收敛的更强收敛结果。

提出的方法

• 将Doob-Martin紧化应用于构造马尔可夫链的态空间完备化，以捕捉其尾σ-代数。
• 利用Martin核 K(x, y) = P(Xn = y | Xm = x) / P(Xn = y) 定义态空间中序列的收敛性。
• 通过边界测度的积分表示刻画过程极限分布的调和函数。
• 利用组合马尔可夫链的时空特性，确保极限几乎必然生成尾σ-代数。
• 在具有一致范数的Banach空间 C(∂V) 中使用无穷维鞅，证明函数泛函的几乎必然收敛性。
• 应用Stone-Weierstrass定理与Tychonov定理，确保边界嵌入的紧致性与连续性。

实验结果

研究问题

• RQ1 如何形式化检测并量化随机生长离散结构中的持续随机性？
• RQ2 Doob-Martin紧化能否用于推导随机图与查找树函数泛函的几乎必然收敛结果？
• RQ3 马尔可夫链的尾σ-代数与其实态空间完备化的边界之间有何关系？
• RQ4 在仅知分布收敛的情况下，能否利用边界理论建立强极限定理？
• RQ5 边界结构如何与路径长度或Wiener指数等泛函的渐近行为相关联？

主要发现

• Doob-Martin紧化使得过程 Xn 几乎必然收敛至极限 X∞，且满足 σ(X∞) = a.s. T(X)，即尾σ-代数几乎必然成立。
• 对于二叉查找树，该方法将Wiener指数的分布收敛升级为几乎必然收敛，优于Neininger（2002）的结果。
• 极限 X∞ 几乎必然支撑于边界 ∂F 上，其分布对应于边界上的调和测度。
• 查找树的路径长度与Wiener指数几乎必然收敛，且通过链不等式与矩估计导出显式界。
• 边界表示允许将极限泛函分解为一个鞅极限与一个边界项之和，且在 C(∂V) 范数下几乎必然收敛。
• 在分支随机游走模型中，期望最大位置的增长为 O((4/3)^k)，且通过Banach空间中连续函数边界上的鞅收敛性，确立了过程向其极限的收敛性。