Limit Theorems for step reinforced random walks with regularly varying memory

想象一个随机游走者，我们称他为“大象”，他正在试图决定下一步该往哪走。在一个标准的随机游走中，大象每次都会抛硬币：正面，向右走一步；反面，向左走一步。每一次都是一个全新的决定，与过去无关。

但本研究研究了一个更为复杂版本的“大象”：步长强化随机游走（The Step-Reinforced Random Walk）。在这里，大象拥有记忆。在每一步，他都有一个选择：

回忆： 他回溯到过去的一个随机时刻，选取他在那时所走的一步，并重复它。
创新： 他忽略过去，采取一个全新的、随机的步骤。

这个研究的“转折点”在于他是如何选择回顾过去的时刻的。他并不是以相等的概率回顾过去的任何时刻，而是他的记忆是“加权的”。他更有可能记住最近的步伐，但其记忆的具体权重遵循一种特定的数学模式，称为“正则变化（regularly varying）”。你可以把它想象成一张褪色的照片：有些照片比其他的更清晰，而清晰度的褪去遵循一种特定的、可预测的速率。

作者 Aritra Majumdar 和 Krishanu Maulik 想要了解：如果我们观察大象行走很长时间，他的路径会是什么样子？

三种“人格”

研究发现，大象的行为根据两个因素发生剧烈变化：

他回忆过去步骤的可能性（称为“回忆概率”， $p$ ）。
他的记忆如何褪去（称为“记忆序列”， $\mu$ ）。

基于这些因素，这种游走分成了三种截然不同的状态，就像三种不同的性格：

1. 次临界状态（“正常”的游走者）

何时出现： 大象回忆过去并不频繁，或者他的记忆褪去得非常快。
行为： 他的表现几乎像一个普通的随机游走者。如果你放大看他在长时间内的路径，它看起来像是一个高斯过程（一个平滑的、钟形曲线形状的可能性云团）。
尺度： 他距离起点的距离随时间的平方根（ $\sqrt{n}$ ）增长。这是“扩散性”行为，就像一滴墨水在水中缓慢扩散一样。

2. 超临界状态（“强迫症”式的游走者）

何时出现： 大象回忆过去的频率非常高，或者他的记忆对过去保持得非常牢固。
行为： 他陷入了循环。他不断地重复同样的几步。他的路径变得非常可预测，并且是“超扩散”的（他远离起点的速度比普通游走者快得多）。
尺度： 论文证明，如果正确地缩放他的位置，他会收敛于一个特定的、非随机的路径乘以一个随机数。这几乎就像是他早期就选定了一个方向，然后就一直朝着那个方向走，随机性只影响他走的“速度”，而不影响他走的“方向”。

3. 临界状态（“边缘”游走者）

何时出现： 大象正处于成为“正常人”或“强迫症患者”之间的临界点。
重大发现： 这正是本研究最令人兴奋的新发现所在。作者发现，这里的行为取决于记忆褪去的微小细节。
- 场景 A（有界记忆）： 如果他的记忆褪去得足够快以至于是“有界”的，他的行为就像超临界游走者一样（路径可预测，速度随机）。
- 场景 B（无界记忆）： 如果他的记忆是“无界”的（记忆褪去的速度稍微慢了一点点），他的行为就像高斯过程（随机云团），但遵循一个新的缩放规则。

“新”的缩放规则

在以往对类似游走的研究中，科学家通常使用一把标准的尺子来测量游走： $\sqrt{n \log n}$ 。

但这篇论文说：“等等，那把尺子并不总是奏效的！”

取决于大象记忆的具体形状，用来测量他距离的正确尺子可能是：

比 $\sqrt{n \log n}$ 更小（他移动得比我们预想的慢）。
比 $\sqrt{n \log n}$ 更大（他移动得比我们预想的快）。
完全不同： 在某些情况下，路径会收敛于一个平方根函数的随机倍数，而不是标准的布朗运动。

“时间”问题

关于如何观察大象，还有一个聪明的见解。

传统视角： 科学家通常使用“指数时间”来观察大象（观察他在 $2^1, 2^2, 2^3...$ 等时刻的状态）。这通常会让数学表现得像一个标准的布朗运动（一条平滑的、扭动的线）。
本文视角： 作者认为，对于这种特定类型的记忆，使用“指数时间”视角是人为且具有误导性的。如果你用线性时间（观察他在 $1, 2, 3, 4... $时刻的状态）来观察，你会看到一个不同、更自然的图景：一个看起来像是平方根函数（$ \sqrt{t}$）的随机倍数的路径。

他们展示了，如果试图强行使用“指数时间”视角，往往会导致奇怪的结果，即游走无法稳定成一个清晰的模式。

“顿悟时刻”总结

相变： 游走不仅仅是“随机”或“可预测”的。存在一个锐利的“临界点”，在此处行为会发生翻转，且这种翻转的具体性质取决于记忆的精细细节。
新的极限： 在临界区，游走可以收敛于一个高斯过程（随机的）或者一个非高斯过程（可预测的路径伴随随机速度），这取决于记忆序列。这种在临界区中的“几乎处处（almost sure）”收敛是一个全新的发现。
更好的尺子： 过去使用的标准“尺子”（ $\sqrt{n \log n}$ ）太简单了。正确的尺子会根据记忆序列而改变，并且可能更加复杂（涉及诸如 $\log \log n$ 之类的项）。
线性时间更好： 以稳定的线性节奏观察游走，比使用传统的指数时间尺度能提供一个更自然、更有用的图景。

简而言之，这篇论文通过对一个复杂的、具有“重记忆”特征的随机游走模型进行了建模，精确地描绘出了他的长期行为是如何变化的。它揭示了行为发生转变的“临界时刻”比以往人们所认为的要丰富得多，也更加多样化，并为我们理解和衡量这类随机旅程提供了新的方法。

技术摘要：具有正则变化记忆的步进增强随机游走之极限定理

问题陈述
本文研究了一类广义步进增强随机游走（Step Reinforced Random Walks, SRRW）的渐近行为，其中记忆机制由指数为 $\gamma > -1$ 的正则变化序列 $\{\mu_n\}$ 控制。不同于典型的象随机游走（Elephant Random Walk, ERW）或标准 SRRW（通常假设均匀记忆，即以相等概率选择过去的任何一步），该模型（称为 SRRW-RVM）根据权重 $\mu_k$ 的比例来选择过去的时刻 $k$ 。游走者从原点出发，采取来自创新序列 $\{\xi_n\}$ （独立同分布，均值为零）的初始步。在随后的每一步 $n+1$ ，以概率 $p$ （回忆概率），游走者重复一个根据记忆权重选出的过去步骤 $X_{\beta_{n+1}}$ ；否则，以概率 $1-p$ ，采取来自创新序列的新步骤。主要目标是建立缩放过程 $S_{\lfloor nt \rfloor}$ 作为右连续带左极限（r.c.l.l.）函数空间 $D([0, \infty))$ 中元素的极限定理（大数定律和泛函中心极限定理），并配备 Skorohod 拓扑。

方法论
作者采用鞅方法来分析该过程。方法论的关键步骤包括：

鞅分解： 将增量过程分解为两个鞅 $M_n$ 和 $L_n$ 。具体而言， $S_n$ 被表示为 $L_n$ （中心化增量的和）与 $M_k$ （鞅变换）的加权和的线性组合。
系数渐近分析： 分析涉及记忆权重和回忆概率的序列 $\{a_n\}$ 。证明其为指数为 $-p(\gamma+1)$ 的正则变化序列。
相变识别： 将过程的方差行为与序列 $\{a_n \mu_n\}$ 的平方可和性联系起来。由此定义了临界点 $p_c = \frac{\gamma + 1/2}{\gamma + 1}$ 。
泛函极限定理： 作者通过以下手段证明收敛到高斯过程和几乎处处收敛：
- 用于大数定律（LLN）的截断论证。
- 用于弱收敛的鞅中心极限定理（特别是 [25] 中定理 2 的推论）。
- Skorohod 空间中的紧致性论证，特别是建立在 $t=0$ 处的一致等度连续性。
- 利用正则变化序列的 Karamata 定理来导出精确的缩放速率。

主要贡献与结果

完全大数定律：
本文建立了线性缩放过程 $S_{\lfloor nt \rfloor}/n$ 的强大数定律（SLLN），在仅假设创新序列具有有限一阶矩的情况下，对于所有 $p \in [0, 1)$ ，该过程几乎处处收敛于零且在 $L^1$ 中收敛。如果创新序列具有有限二阶矩，则收敛在 $L^2$ 中成立。这扩展了以往仅限于特定参数范围的研究结果。
相变与临界区间分析：
一个核心贡献是基于序列 $\{v_n\}$ （源自平方和鞅系数）的有界性，识别出了相变点 $p_c = \frac{\gamma + 1/2}{\gamma + 1}$ 。
- 亚临界区间 ( $p < p_c$ )： 序列 $\{v_n\}$ 是无界的。经由 $\sqrt{n}$ 缩放的过程弱收敛于一个具有特定协方差核的中心高斯过程。这一结果将先前的发现扩展到了整个 $p \in [0, p_c)$ 范围。
- 超临界区间 ( $p > p_c$ )： 序列 $\{v_n\}$ 是有界的。经由 $a_n \mu_n$ 缩放的过程几乎处处收敛且在 $L^2$ 中收敛于一个确定幂函数的随机倍数。其极限通常是非高斯的。
- 临界区间 ( $p = p_c$ )： 该区间是本文新颖性的焦点。其行为取决于 $\{v_n\}$ ${v_{n}}$ 是有界还是无界，这取决于记忆序列 $\{\mu_n\}$ ${μ_{n}}$ 中缓慢变化部分的具体选择。
  - 如果 $\{v_n\}$ 是无界的，则由 $\sigma_n$ （由记忆权重导出的序列）缩放的过程弱收敛于一个正比于 $\sqrt{t}$ 的中心高斯过程。
  - 如果 $\{v_n\}$ 是有界的，则由 $a_n \mu_n$ 缩放的过程几乎处处收敛且在 $L^2$ 中收敛于 $\sqrt{t}$ 的一个（可能非高斯的）随机倍数。文中声称，在临界区间中存在几乎处处极限是一个新结果。
新颖的缩放与时间尺度：
- 缩放： 本文证明了临界区间传统的 $\sqrt{n \log n}$ 缩放并不具有普适性。取决于记忆序列，临界区间的缩放 $\sigma_n$ 可能比 $\sqrt{n \log n}$ 更小或更大。
- 时间尺度： 作者反对在临界区间使用传统的指数时间尺度 ( $\lfloor n^t \rfloor$ )。他们表明，在采用线性时间缩放 ( $\lfloor nt \rfloor$ ) 且空间缩放与时间无关的情况下，过程收敛于 $\sqrt{t}$ 的高斯倍数。相比之下，指数时间尺度对于一般的记忆序列往往无法产生非退化极限或布朗运动极限，这表明线性时间尺度对于此类模型更为自然。
极限的连续性：
本文证明了当使用适当的缩放 $\sigma_n$ 时，临界点 $p_c$ 处的极限协方差核和极限过程在参数 $p$ 上是连续的，从而连接了扩散亚临界区间与超扩散临界区间。

意义与主张
作者声称，这项工作首次对所有 $p$ 和 $\gamma$ 取值的具有正则变化记忆的 SRRW 进行了全面的分析。

临界区间的创新性： 识别出临界区间中的几乎处处收敛性（当 $\{v_n\}$ 有界时），以及展示了临界区间的缩放可以显著不同于标准的 $\sqrt{n \log n}$ ，这些都被强调为主要贡献。
方法论的统一： 本文提供了一个统一的不变原理论证，避免了以往文献中使用的截断论证，而是依赖于紧致性和鞅分解。
对传统尺度的批判： 本文挑战了在临界 SRRW 中使用指数时间尺度的传统做法，提供了指数尺度无法产生布朗运动极限的示例，并提倡将线性时间尺度与不随时间变化的空间缩放作为此类过程更稳健的框架。
开放问题： 作者提出了关于在特定非线性时间尺度下过程收敛性，以及具有特定增长率（例如涉及迭代对数）的记忆序列在临界区间行为的开放性问题。

研究结果在 r.c.l.l. 函数和 Skorohod 拓扑的框架内进行了严谨的呈现，确保了极限定理适用于整个随机游走的轨迹，而不只是边缘分布。