朗之万马尔可夫链求和的高维正态近似
《Stochastic Processes and their Applications》:High-dimensional normal approximations for sums of Langevin Markov chains
【字体:
大
中
小
】
时间:2026年10月24日
来源:Stochastic Processes and their Applications 1.2
编辑推荐:
**摘要**
考虑在实空间 $\mathbb{R}^d$ 上著名的朗之万扩散过程:
$$
\mathbf{X}_{t+1} = -\mathbf{U}(\mathbf{X}_t) dt + \sqrt{2} \mathbf{V}_t,
$$
以及其欧拉-马鲁亚马离散化
**摘要**
考虑在实空间 $\mathbb{R}^d$ 上著名的朗之万扩散过程:
$$
\mathbf{X}_{t+1} = -\mathbf{U}(\mathbf{X}_t) dt + \sqrt{2} \mathbf{V}_t,
$$
以及其欧拉-马鲁亚马离散化形式:
$$
\mathbf{X}_{k+1} = \mathbf{X}_k - \eta \mathbf{U}(\mathbf{X}_k) + \sqrt{2} \eta \mathbf{W}_k,
$$
其中 $\eta$ 是步长。在温和的条件下,朗之万扩散过程具有唯一的稳态分布,该分布满足:
$$
\mathbf{X}_\infty \sim \mathoid\{ \xi[\mathbf{U}(\xi) ]\}_{\infty} \sim \exp\left(-\int_{-\infty}^{\infty} \mathbf{U}(x) dx \right),
$$
这里 $\mathoid\{\cdot\}_{\infty}$ 表示依概率收敛到集合中的元素。在本文中,我们主要研究了归一化部分和 $\mathbf{W}_n = \frac{1}{\eta}\sum_{i=0}^{n-1} (\mathbf{X}_i - \int_{-\infty}^{\infty} \xi(x) dx)$ 的正态近似。据我们所知,这项工作首次在高维情况下提供了显式的收敛速率。我们的主要工具是通过可交换对方法(exchangeable pair approach)为 1-沃塞尔斯坦距离 $\mathcal{D}_1(\mathbf{W}, \gamma)$ 提出一个新的上界,其中 $\gamma$ 是任意的随机向量。
**引言与主要结果**
本文研究了由未调整的朗之万算法在高维空间中生成的遍历平均值的定量多变量中心极限定理。这个问题存在两个难点:首先,迭代值形成一个强相关的马尔可夫链,而不是一系列独立观测值;其次,转移核及其不变分布依赖于步长 $\eta$。因此,当 $n \to \infty$、$\eta \to 0$ 且维度 $d$ 可以变化时,需要研究其正态近似性。
**热身:线性情况**
作为热身,我们首先考虑线性情况:
$$
\mathbf{U}(x) = Ax,
$$
其中 $A$ 是对称正定的矩阵。在这种情况下,$\mathbb{E}[\mathbf{U}^n] = 0$,连续时间渐近协方差为
$$
\Sigma = 2A^{-2}.
$$
**定理 2.1**
假设 $\alpha \Id \leq A \leq \beta \Id$,且 $p > 1$。设 $\eta_0 := \min\{\frac{1}{2}, \frac{1}{2}\eta\}$。假设 $0 < \eta \leq \eta_0$,并且 $X_0$ 与序列 $(\xi_k)_{k \geq 1}$ 独立,且 $\mathbb{E}[X_0] = 0$、$\mathbb{E}|X_0|^2 \leq \chi_0 \cdot \mathbb{d}^d$。那么
$$
\mathcal{D}_2\left(\Sigma^{-1/2}\mathbf{W}_n, \gamma\right) \leq \chi_0 \cdot \left(\frac{d^3}{2n}\eta + \frac{d^2}{2\sqrt{n}}\eta\right).
$$
特别地,如果 $X_0 \sim \mathcal{N}(0, \Sigma_0)$ 且 $\Sigma_0 \leq C_0 \Id$,则有
$$
\mathcal{D}_2\left(\Sigma^{-1/2}\mathbf{W}_n, \gamma\right) \leq \chi_0 \cdot \frac{d}{2n}\eta.
$$
**斯坦因方法与定理 1.3 的证明**
当 $\nabla U$ 是非线性的时,$\mathbf{W}_n$ 不再能直接表示为独立变量的加权和,但它可以表示为一个鞅和一个余项的和(见下文(3.11))。因此,证明定理 1.3 的策略是估计这个鞅与 $\gamma$ 之间的 1-沃塞尔斯坦距离,以及余项。对于前者,我们使用了斯坦因方法(Stein’s method),这是一种研究此类非渐近误差估计的强大工具。
**作者贡献声明**
- **沈天(Tian Shen)**:概念化;方法论;形式分析;研究;初稿撰写;审阅与编辑。
- **苏中根(Zhonggen Su)**:概念化;方法论;形式分析;研究;资金筹集;监督;审阅与编辑。
- **王晓琳(Xiaolin Wang)**:概念化;方法论;形式分析;研究;初稿撰写;审阅与编辑。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号