Limit Theorems for step reinforced random walks with regularly varying memory

어느 무작위 보행자, "코끼리"라고 불러봅시다, 이 코끼리는 다음 발걸음을 어느 방향으로 내디딜지 결정하려고 노력 중입니다. 표준적인 무작위 보행(random walk)에서 코끼리는 매번 동전을 던집니다: 앞면이 나오면 오른쪽으로 한 걸음, 뒷면이 나오면 왼쪽으로 한 걸음입니다. 이는 매 순간 새로운 결정이며, 과거에 대한 기억은 없습니다.

하지만 이 논문은 훨씬 더 복잡한 버전의 코끼리, 즉 **단계 강화 무작위 보행(Step-Reinforced Random Walk)**을 연구합니다. 여기서 코끼리에게는 기억이 있습니다. 매 단계마다 코끼리는 두 가지 선택을 할 수 있습니다:

회상(Recall): 그는 자신의 과거 어느 시점을 무작위로 되돌아보고, 그때 취했던 발걸음을 그대로 반복합니다.
혁신(Innovate): 그는 자신의 과거를 무시하고, 완전히 새로운 무작위 발걸음을 내딛습니다.

이 논문의 "반전"은 코끼리가 어떤 과거의 순간을 살펴볼지 결정하는 방식에 있습니다. 과거의 모든 순간을 똑같은 확률로 살펴보는 대신, 그의 기억은 "가중치"가 부여됩니다. 그는 최근의 발걸음을 더 잘 기억하지만, 그의 기억이 흐릿해지는 정확한 방식은 "정규 변동(regularly varying)"이라 불리는 특정한 수학적 패턴을 따릅니다. 마치 빛바랜 사진처럼, 어떤 사진은 더 선명하고 어떤 사진은 더 흐릿하며, 그 선명함은 특정한, 예측 가능한 속도로 사라집니다.

저자인 아리트라 마줌다르(Aritra Majumdar)와 크리슈나 마울릭(Krishanu Maulik)은 알고 싶었습니다: 만약 우리가 코끼리가 걷는 모습을 아주 오랫동안 관찰한다면, 그의 경로는 어떤 모습일까?

세 가지 "성격"의 보행

이 논문은 코끼리의 행동이 다음 두 가지 요소에 따라 극적으로 변한다는 것을 발견했습니다:

과거의 발걸음을 회상할 확률 (회상 확률, $p$ ).
그의 기억이 얼마나 빨리 흐려지는가 (기억 시퀀스, $\mu$ ).

이 요소들에 기초하여, 코끼리의 보행은 세 가지 뚜렷한 영역, 즉 세 가지 서로 다른 성격으로 나뉩니다:

1. 하위 임계 영역 (Subcritical Regime, "평범한" 보행자)

언제: 코끼리가 과거를 너무 자주 회상하지 않거나, 그의 기억이 매우 빠르게 흐려질 때 발생합니다.
행동: 그는 거의 일반적인 무작위 보행자처럼 행동합니다. 긴 시간에 걸쳐 그의 경로를 멀리서 바라보면, 그것은 가우시안 과정(Gaussian process)(매끄러운 종 모양의 확률 구름)처럼 보입니다.
척도: 시작점으로부터의 거리는 시간의 제곱근( $\sqrt{n}$ )에 비례하여 증가합니다. 이는 물속에 퍼지는 잉크 방울처럼 "확산적(diffusive)"인 행동입니다.

2. 상위 임계 영역 (Supercritical Regime, "집착하는" 보행자)

언제: 코끼리가 과거를 매우 자주 회상하거나, 그의 기억이 과거를 매우 강력하게 붙들고 있을 때 발생합니다.
행동: 그는 루프(loop)에 빠집니다. 그는 똑같은 몇 가지 발걸음을 계속해서 반복합니다. 그의 경로는 매우 예측 가능해지며 "초확산적(super-diffusive)"이 됩니다(일반적인 보행자보다 훨씬 빠르게 시작점에서 멀어집니다).
척도: 논문은 만약 그의 위치를 적절하게 스케일링(scaling)한다면, 그의 경로는 무작위의 수를 곱한 특정의 비무작위 경로로 수렴한다는 것을 증명합니다. 마치 그가 초기에 방향을 정하면, 무작위성은 그가 '어디로' 가는지보다는 '얼마나 빨리' 가는지에만 영향을 미치는 것과 같습니다.

3. 임계 영역 (Critical Regime, "경계에 선" 보행자)

언제: 코끼리가 평범한 보행자와 집착하는 보행자 사이의 티핑 포인트(tipping point)에 있을 때입니다.
중대한 발견: 이 부분이 이 논문에서 가장 흥 exciting한 새로운 발견이 이루어진 곳입니다. 저자들은 코끼리의 행동이 그의 기억이 어떻게 흐려지는지에 대한 미세한 디테일에 달려 있다는 것을 발견했습니다.
- 시나리오 A (유계 기억 - Bounded Memory): 만약 그의 기억이 "유계"될 만큼 충분히 빠르게 흐려진다면, 그는 상위 임계 보행자처럼 행동합니다(예측 가능한 경로, 무작위 속도).
- 시나리오 B (무한 기억 - Unbounded Memory): 만약 그의 기억이 "무한"하다면(기억이 아주 약간 더 느리게 흐려진다면), 그는 가우시안 과정(무작위 구름)처럼 행동하지만, 새로운 스케일링 규칙을 따릅니다.

"새로운" 스케일링 규칙

이전의 유사한 보행 연구들에서 과학자들은 보통 무작위 보행을 측정하기 위해 표준적인 자를 사용했습니다: $\sqrt{n \log n}$ .

이 논문은 이렇게 말합니다: "잠깐, 그 자는 항상 작동하는 것이 아닙니다!"

코끼리의 기억 형태에 따라, 그의 거리를 측정하기 위한 올바른 자는 다음과 같을 수 있습니다:

$\sqrt{n \log n}$ 보다 작거나 (그는 우리가 생각한 것보다 느리게 움직입니다).
$\sqrt{n \log n}$ 보다 크거나 (그는 우리가 생각한 것보다 빠르게 움직입니다).
완전히 다르거나: 어떤 경우에는 그의 경로는 표준적인 브라운 운동이 아니라, 제곱근 함수의 무작위 배수로 수렴합니다.

"시간"의 문제

이 논문에는 우리가 코끼리를 관찰하는 방식에 대한 또 다른 영리한 통찰이 담겨 있습니다.

전통적인 관점: 과학자들은 종종 "지수 시간(exponential time)"을 사용하여 코끼리를 관찰합니다 (예를 들어 $2^1, 2^2, 2^3...$ 등의 시간대). 이는 대개 수학적으로 표준적인 브라운 운동(매끄럽고 꿈틀거리는 선)처럼 보이게 만듭니다.
이 논문의 관점: 저자들은 이러한 유형의 기억에 있어서 "지수 시간" 관점은 인위적이고 오해의 소지가 있다고 주장합니다. 만약 그를 선형 시간(linear time)(즉, $1, 2, 3, 4... $의 시간대)으로 관찰한다면, 우리는 더 자연스러운 그림을 볼 수 있습니다: 제곱근 함수($ \sqrt{t}$)의 무작위 배수로 보이는 경로 말입니다.

그들은 지수 시간 관점을 강요하는 것이 종종 보행이 명확한 패턴으로 정착하지 못하는 이상한 결과를 초래한다는 것을 보여줍니다.

"아하!" 모먼트 요약

상전이(Phase Transitions): 보행은 단순히 "무작위"이거나 "예측 가능"한 것이 아닙니다. 행동이 뒤바뀌는 날카로운 "임계점"이 존재하며, 그 변화의 정확한 성격은 기억의 미세한 디테일에 달려 있습니다.
새로운 극한(New Limits): 임계 구역에서 보행은 가우시안 과정(무작위)으로 수렴하거나, 비가우시안 과정(무작위 속도를 가진 예측 가능한 경로)으로 수렴할 수 있습니다. 이 임계 구역에서의 이 "거의 확실한(almost sure)" 수렴은 완전히 새로운 발견입니다.
더 나은 자(Better Rulers): 과거에 사용된 표준적인 "자"( $\sqrt{n \log n}$ )는 너무 단순합니다. 올바른 자는 기억 시퀀스에 따라 달라지며, $\log \log n$ 과 같은 요소를 포함하여 훨씬 더 복잡할 수 있습니다.
선형 시간이 더 낫다: 보행을 일정한 선형 속도로 관찰하는 것이 전통적인 지수 시간 척도보다 더 자연스럽고 유용한 그림을 제공합니다.

요약하자면, 이 논문은 기억이 강하게 작용하는 복잡한 수학적 모델을 사용하여, 그의 장기적인 행동이 어떻게 변하는지를 정확하게 지도화합니다. 이는 "임계" 순간이 이전 사람들이 깨달았던 것보다 훨씬 더 풍부하고 다양하며, 이러한 무작위 여정을 측정하고 이해하는 새로운 방법을 제시한다는 것을 밝혀냅니다.

기술적 요약: 정규 변이 기억(Regularly Varying Memory)을 갖는 단계 강화 무작위 보행(Step Reinforced Random Walks)의 극한 정리

문제 정의
본 논문은 기억 메커니즘이 지수 $\gamma > -1$ 인 정규 변이 수열 $\{\mu_n\}$ 에 의해 제어되는 일반화된 클래스의 단계 강화 무작위 보행(SRRW)을 조사한다. 균일한 기억(모든 과거 단계를 동일한 확률로 선택)을 가정하는 전형적인 코끼리 무작위 보행(ERW)이나 표준 SRRW와 달리, 이 모델(SRRW-RVM이라 명명됨)은 기억 가중치 $\mu_k$ 에 비례하여 과거의 시점 $k$ 를 선택한다. 원점에서 시작하는 보행자는 초기 단계로 혁신 수열(innovation sequence) $\{\xi_n\}$ (평균이 0인 i.i.d.)을 취한다. 이후 각 단계 $n+1$ 에서, 회상 확률 $p$ 로 보행자는 기억 가중치에 따라 선택된 과거의 단계 $X_{\beta_{n+1}}$ 를 반복하거나, 그렇지 않으면 확률 $1-p$ 로 새로운 혁신 단계를 취한다. 본 연구의 주요 목적은 r.c.l.l. 함수 공간 $D([0, \infty))$ 상의 요소로서 스케일링된 프로세스 $S_{\lfloor nt \rfloor}$ 에 대한 극한 정리(대수의 법칙 및 함수적 중심 극한 정리)를 확립하는 것이다.

방법론
저자들은 프로세스를 분석하기 위해 마팅게일 방법을 사용한다. 방법론의 핵심 단계는 다음과 같다:

마팅게일 분해: 증분 프로세스를 두 개의 마팅게일 $M_n$ 과 $L_n$ 으로 분해한다. 구체적으로, $S_n$ 은 $L_n$ (중심화된 증분들의 합)과 마팅게일 변환(martingale transform)인 $M_k$ 의 가중합의 선형 결합으로 표현된다.
계수의 점근적 분석: 기억 가중치와 회상 확률을 포함하는 수열 $\{a_n\}$ 을 분석한다. 이 수열이 지수 $-p(\gamma+1)$ 를 갖는 정규 변이 수열임을 보인다.
상전이 식별: 프로세스의 분산 거동은 수열 $\{a_n \mu_n\}$ 의 제곱 합 가능성(square summability)과 연결된다. 이를 통해 임계점 $p_c = \frac{\gamma + 1/2}{\gamma + 1}$ 을 정의한다.
함수적 극한 정리: 다음을 사용하여 분포 수렴 및 거의 확실한 수렴을 증명한다:
- 대수의 법칙(LLN)을 위한 절단(truncation) 논법.
- 약수렴(weak convergence)을 위한 마팅게일 중심 극한 정리(특히 [25]의 정리 2에 대한 따름정리).
- 스코로호드 공간에서의 타이트니스(tightness) 논법, 특히 $t=0$ 에서의 균등 동등 연속성(uniform equicontinuity) 확립.
- 정밀한 스케일링 비율을 도출하기 위한 정규 변이 수열에 대한 카라마타 정리(Karamata's theorem).

주요 기여 및 결과

완전한 대수의 법칙:
본 논문은 혁신 수열의 1차 모멘트가 유한하다고 가정할 때, 선형 스케일링된 프로세스 $S_{\lfloor nt \rfloor}/n$ 이 모든 $p \in [0, 1)$ 에 대해 거의 확실하게(almost surely) 그리고 $L^1$ 에서 0으로 수렴함을 입증하는 강한 대수의 법칙(SLLN)을 확립한다. 혁신이 유한한 2차 모멘트를 가지면, 수렴은 $L^2$ 에서도 성립한다. 이는 특정 파라미터 범위에 국한되었던 이전의 결과들을 확장한 것이다.
상전이 및 임계 영역 분석:
본 연구의 핵심 기여는 수열 $\{v_n\}$ (제곱된 마팅게일 계수들의 합으로부터 유도됨)의 유계성(boundedness)에 기반한 상전이 $p_c = \frac{\gamma + 1/2}{\gamma + 1}$ 의 식별이다.
- 아임계 영역 (Subcritical Regime, $p < p_c$ ): 수열 $\{v_n\}$ 은 유계가 아니다. 이 경우, $\sqrt{n}$ 으로 스케일링된 프로세스는 특정 공분산 커널을 갖는 중심 가우시안 프로세스로 약수렴한다. 이 결과는 $p \in [0, p_c)$ 의 전체 범위로 이전의 발견을 확장한다.
- 초임계 영역 (Supercritical Regime, $p > p_c$ ): 수열 $\{v_n\}$ 은 유계이다. 이 경우, $a_n \mu_n$ 으로 스케일링된 프로세스는 결정론적 멱함수의 무작위 배수로 거의 확실하게 그리고 $L^2$ 에서 수렴한다. 이 극한은 일반적으로 가우시안이 아니다.
- 임계 영역 (Critical Regime, $p = p_c$ ): 이 영역은 본 논문의 참신함이 집중되는 곳이다. 거동은 기억 수열 $\{\mu_n\}$ ${μ_{n}}$ 의 느리게 변하는 부분(slowly varying part)의 구체적인 선택에 따라 $\{v_n\}$ ${v_{n}}$ 이 유계인지 여부에 따라 달라진다.
  - $\{v_n\}$ 이 유계가 아닌 경우, 기억 가중치로부터 유도된 수열 $\sigma_n$ 으로 스케일링된 프로세스는 $\sqrt{t}$ 에 비례하는 중심 가우시안 프로세스로 약수렴한다.
  - $\{v_n\}$ 이 유계인 경우, $a_n \mu_n$ 으로 스케일링된 프로세스는 $\sqrt{t}$ 의 (가우시안이 아닐 수 있는) 무작위 배수로 거의 확실하게 그리고 $L^2$ 에서 수렴한다. 임계 영역에서의 거의 확실한 극한의 존재는 새로운 결과로 주장된다.
새로운 스케일링 및 시간 척도:
- 스케일링: 본 논문은 임계 영역을 위한 전통적인 $\sqrt{n \log n}$ 스케일링이 보편적이지 않음을 보여준다. 기억 수열에 따라, 임계 영역에서의 스케일링 $\sigma_n$ 은 $\sqrt{n \log n}$ 보다 작거나 큰 차수를 가질 수 있다.
- 시간 척도: 저자들은 임계 영역을 위해 지수 시간 척도( $\lfloor n^t \rfloor$ )를 사용하는 전통적인 관행에 반론을 제기한다. 그들은 선형 시간 스케일링( $\lfloor nt \rfloor$ )과 시간 독립적 공간 스케일링 하에서, 프로세스가 $\sqrt{t}$ 의 가우시안 배수로 수렴함을 보여준다. 반면, 지수 시간 척도는 일반적인 기억 수열에 대해 비퇴화 극한(non-degenerate limit)이나 브라운 운동 극한을 얻는 데 실패하는 경우가 많으며, 이는 선형 시간 척도가 이 클래스의 모델들에 더 자연스러운 프레임워크임을 시사한다.
극한의 연속성:
본 논문은 적절한 스케일링 $\sigma_n$ 이 사용될 때, 임계점 $p_c$ 에서 극한 공분산 커널과 극한 프로세스가 $p$ 에 대해 연속적임을 입증함으로써, 확산적(diffusive) 아임계 영역과 초확산적(superdiffusive) 임계 영역을 연결한다.

의의 및 주장
저자들은 본 연구가 모든 $p$ 와 $\gamma$ 값에 대해 정규 변이 기억을 갖는 SRRW에 대한 최초의 포괄적인 분석을 제공한다고 주장한다.

임계 영역의 참신함: $\{v_n\}$ 이 유계일 때 임계 영역에서의 거의 확실한 수렴을 식별한 것과, 임계 영역에서의 스케일링이 표준적인 $\sqrt{n \log n}$ 과 크게 다를 수 있음을 보여준 것이 주요 기여로 강조된다.
방법론적 통합: 본 논문은 절단 논법을 사용하는 대신 타이트니스와 마팅게일 분해에 의존하여 불변 원리(invariance principle)에 대한 통합된 논거를 제공한다.
전통적 척도에 대한 비판: 저자들은 임계 SRRW를 위한 지수 시간 척도의 관습적인 사용에 도전하며, 이러한 척도가 브라운 운동 극한을 생성하지 못하는 사례를 제시하고, 선형 시간 척도와 시간 독립적 공간 스케일링을 더 견고한 프레임워크로서 옹호한다.
미해결 과제: 저자들은 특정 비선형 시간 척도 하에서의 프로세스 수렴과, 임계 영역에서 특정 성장률(예: 반복 로그)을 갖는 기억 수열의 거동에 관한 미해결 문제를 제기한다.

결과는 r.c.l.l. 함수와 스코로호드 위상(Skorohod topology)의 틀 내에서 엄격하게 제시되며, 이는 극한 정리가 단순히 주변 분포(marginal distributions)뿐만 아니라 무작위 보행의 전체 궤적에 적용됨을 보장한다.