Mixing Time of Markov Chains
约 387 个字 预计阅读时间 2 分钟
Mixing Time(混合时间) 定义:\(\forall \epsilon > 0\),Markov Chain \(P\) 的 mixing time 为:
也就是说,\(\tau_{\mathrm{mix}}(\epsilon)\) 是使得无论任何初始分布,\(t\) 步之后 \(\mu_t\) 和 \(\pi\) 的差距一定会小于 \(\epsilon\) 的最小的 \(t\)。当 \(\epsilon\) 未给出时,默认为 \(\frac{1}{4}\)。
由 coupling 可知:
那么只需构造出一个 coupling \(\omega_t\),使得 \(\Pr_{(X,Y)\sim\omega_t}[X \neq Y]\le \epsilon\),就会有 \(\tau_{\mathrm{mix}}(\epsilon) \le t\)
Example: Random walk on hypercubes¶
在 \(n\) 维单位超立方体上随机游走,每次一步,且有 \(1/2\) 概率原地不动,可以抽象为:
- 初始位置为 \(X_0\)
- 每个步 \(t\),从 \(\{1,2,\ldots,n\}, \{0,1\}\) 中分别均匀取样 \(i\) 和 \(b\)
- 改变 \(X_t\) 的第 \(i\) 维为 \(b\)
构造一个 coupling \((X_t, Y_t)\),满足每一步两者共用 \(i\) 和 \(b\)。显然有当 \(i\) 在某一步被选中后,\(X_t(i) = Y_t(i)\) 将在之后永远成立。这样原问题被转化为了奖券收集问题。那么,对于时刻 \(t > n \log n + cn\),某一个(指定的)维度没有被选择的概率 \(P\)
希望通过这个来为 \(\tau_{\mathrm{mix}}\) 推出一个上界,自然希望
也就是 \(c>\log \frac{1}{\epsilon}\)。立即有 \(\tau_{\mathrm{mix}}(\epsilon) \le n\log n + cn \rightarrow n \log \frac{n}{\epsilon}\)