[论文解读] Transportation cost-information and concentration inequalities for bifurcating Markov chains

S. Valère Bitseki Penda, Mikael Escobar‐Bach+1 more|arXiv (Cornell University)|Jan 27, 2015

Markov Chains and Monte Carlo Methods参考文献 33被引用 4

一句话总结

本文在 Wasserstein 距离下，于较弱的收缩与可积性条件下，建立了分叉马尔可夫链的运输成本-信息不等式与偏差界，使经验均值的非渐近集中不等式及非线性自回归函数的点估计成为可能。关键贡献在于提出了一套框架，弱化了先前工作中使用的强几何遍历性假设，从而可更广泛地应用于细胞生长与种群动力学模型。

ABSTRACT

We investigate the transportation cost-information inequalities for bifurcating Markov chains which are a class of processes indexed by binary tree. These processes provide models for cell growth when each individual in one generation gives birth to two offsprings in the next one. Transportation cost inequalities provide useful concentra-tion inequalities. We also study deviation inequalities for the empiri-cal means under relaxed assumptions on the Wasserstein contraction of the Markov kernels. Applications to bifurcating non linear autore-gressive processes are considered: deviation inequalities for pointwise estimates of the non linear leading functions.

研究动机与目标

• 在弱于统一几何遍历性的假设下，为分叉马尔可夫链的经验均值发展非渐近偏差不等式。
• 将运输成本-信息不等式扩展至分叉马尔可夫链框架，利用 Wasserstein 收缩与可积性条件。
• 为细胞谱系过程中非线性自回归函数的非参数估计提供实用的集中界。
• 弱化先前工作中强遍历性假设，使结果适用于非紧致且更现实的细胞分裂模型。
• 通过推导有限样本集中界，使分叉过程在数据有限情况下的统计推断成为可能。

提出的方法

• 使用运输成本-信息不等式，推导分叉马尔可夫链加性泛函的集中界。
• 应用拉普拉斯方法并直接控制矩生成函数，推导在 Wasserstein 距离下放松收缩条件的偏差不等式。
• 引入自归一化过渡核估计器，并通过偏差与波动项的分解分析其偏差。
• 使用带宽为 $ h_n $ 的核密度估计，构造主导函数 $ f_0 $ 与 $ f_1 $ 的点估计器，并推导这些估计器的集中界。
• 利用不变测度与边缘转移核 $ P_0, P_1 $ 控制估计误差中的偏差项。
• 利用核函数的利普希茨连续性与经验过程技术，控制偏差不等式中波动项的上界。

实验结果

研究问题

• RQ1 能否在不依赖统一几何遍历性的情况下，为分叉马尔可夫链中经验均值的偏差不等式建立？
• RQ2 运输成本-信息不等式如何适应分叉马尔可夫链的树状索引结构？
• RQ3 细胞谱系模型中非线性自回归函数的点估计器的非渐近集中性质为何？
• RQ4 Wasserstein 收缩与可积性条件如何影响该框架下经验平均的偏差界？
• RQ5 能否为过渡核的自归一化估计器提供具有有限样本集中保证的分析？

主要发现

• 本文在 Wasserstein 收缩与统一可积性条件下，为分叉马尔可夫链建立了运输成本-信息不等式，从而实现了非渐近集中界。
• 在弱化假设下推导出经验均值的偏差不等式，以 Wasserstein 收缩与可积性替代了统一几何遍历性。
• 证明了非线性自回归函数 $ f_0 $ 与 $ f_1 $ 的点估计满足形如 $ bP(|\tilde{f}_{0,n}(x) - f_0(x)| > r) \to 0 $ 的偏差不等式（当 $ n \to \infty $ 时），并通过偏差与波动项实现显式控制。
• 偏差项 $ \bbE[\tilde{N}_n] \to 0 $，波动项 $ \bbE[\tilde{D}_n] \to \nu(x) $，其中 $ \nu $ 为不变密度，确保了一致性。
• 对于基于核的估计器，偏差界依赖于核的利普希茨范数与带宽，波动项通过经验平均的集中性得到控制。
• 在误差密度 $ g_\varepsilon $ 满足利普希茨连续性条件下，过渡核估计器 $ \widehat{P}_n(x,y,z) $ 的偏差不等式与函数估计器处于同一阶。