选择一段文字或公式,即可在这里留下建议。保存后的建议仅作者可见,审核后才会公开。
多重遍历平均 / 原文精读
同组精读 A §§4–5
第五单元(中):最小支撑与最大辅助位置数
本篇讨论 A §§4–5 ,原文 pp.10–17。任意有限阶时,没有一般辅助系统上所有真子集平均的逐点结论。A 的处理是先在全部非零相关中选择最小支撑,再在这个固定大小上选择最多的辅助位置。较小支撑的相关因而必须为零,这只决定允许的空间列表的联合分布,并不决定完整状态的联合分布。
全篇固定同一个 n n n 、悬挂系统 C C C 、选择函数列 ( N a ) (N_a) ( N a ) 和自由超滤子 U \mathcal U U 。各个流扩张均使用这组固定资料的拉回;比较不同允许系统时不重新选择它们。
三组辅助变量在选取分布下保持这一事实,仍依赖 A Theorem 2.1 引用的配套稿 R。其准确形式为:对每个固定有限 s ≥ 2 s\ge2 s ≥ 2 、有界函数 g 1 , … , g s g_1,\ldots,g_s g 1 , … , g s ,
∫ X ∏ j = 1 s g j ( T t j x ) d μ ( x ) ⟶ ∏ j = 1 s ∫ X g j d μ 当 min i ≠ j ∣ t i − t j ∣ ⟶ ∞ . (HM-A)
\int_X\prod_{j=1}^{s}g_j(T^{t_j}x)\,\mathrm{d}\mu(x)
\longrightarrow\prod_{j=1}^{s}\int_Xg_j\,\mathrm{d}\mu
\quad\text{当 }\min_{i\ne j}|t_i-t_j|\longrightarrow\infty.
\tag{HM-A}
∫ X j = 1 ∏ s g j ( T t j x ) d μ ( x ) ⟶ j = 1 ∏ s ∫ X g j d μ 当 i = j min ∣ t i − t j ∣ ⟶ ∞. ( HM-A )
R 从普通 mixing 推出这一结论的逐步推导,见多重混合依赖精读 。以下明确以式 (HM-A)、第五单元上篇的条件分布结论以及已列出的相对结构结果为前提。
1. 三组辅助变量的定义
对应 A Definition 4.1,pp.10–11,式 (4.1)。
固定 I = { 1 , … , n } I=\{1,\ldots,n\} I = { 1 , … , n } 。设 Y Y Y 为悬挂 C C C 上的标准保概率流,原始因子为 π Y : Y → C \pi_Y:Y\to C π Y : Y → C 。另给定有限个保概率映射 D γ : Y → C D_\gamma:Y\to C D γ : Y → C 和正有理速度 q γ q_\gamma q γ ,满足对每个固定 t t t ,
D γ ∘ S Y t = S C q γ t ∘ D γ 模零成立 .
D_\gamma\circ S_Y^t=S_C^{q_\gamma t}\circ D_\gamma
\quad\text{模零成立}.
D γ ∘ S Y t = S C q γ t ∘ D γ 模零成立 .
将辅助指标分为三组 D 1 , D 2 , D 3 \mathcal D_1,\mathcal D_2,\mathcal D_3 D 1 , D 2 , D 3 ,允许空组。记
x 0 = ξ ∘ π Y , x γ = ξ ∘ D γ , d Y = ( x γ ) γ , d Y , H = ( x γ ) γ ∈ ∪ j ∈ H D j .
x_0=\xi\circ\pi_Y,
\quad x_\gamma=\xi\circ D_\gamma,
\quad d_Y=(x_\gamma)_\gamma,
\quad d_{Y,H}=(x_\gamma)_{\gamma\in\cup_{j\in H}\mathcal D_j}.
x 0 = ξ ∘ π Y , x γ = ξ ∘ D γ , d Y = ( x γ ) γ , d Y , H = ( x γ ) γ ∈ ∪ j ∈ H D j .
令 V V V 收集原始因子及全部辅助因子的相位。要求
Law m Y ( d Y ∣ V ) = ⨂ γ μ , (G1-A)
\operatorname{Law}_{m_Y}(d_Y\mid V)=\bigotimes_\gamma\mu,
\tag{G1-A}
Law m Y ( d Y ∣ V ) = γ ⨂ μ , ( G1-A )
以及对每个真子集 H ⊊ { 1 , 2 , 3 } H\subsetneq\{1,2,3\} H ⊊ { 1 , 2 , 3 } ,
Law m Y ( x 0 , d Y , H ∣ V ) = μ ⊗ ⨂ γ ∈ ∪ j ∈ H D j μ . (G2-A)
\operatorname{Law}_{m_Y}(x_0,d_{Y,H}\mid V)
=\mu\otimes\bigotimes_{\gamma\in\cup_{j\in H}\mathcal D_j}\mu.
\tag{G2-A}
Law m Y ( x 0 , d Y , H ∣ V ) = μ ⊗ γ ∈ ∪ j ∈ H D j ⨂ μ . ( G2-A )
空列表按单点概率空间解释。第二式包括空 H H H ,故 x 0 x_0 x 0 与完整相位独立;却不要求 x 0 x_0 x 0 与全部三组整体独立。
原文将整个带这些资料的流称为 channel。下文直接称为具有三组辅助变量的系统。
2. 与第四单元相同的结论,哪些参数发生了变化
2.1 相位条件提升为 distal 参数条件
A Lemma 4.2(p.11)断言:式 (G1-A)、(G2-A) 把条件 V V V 改为最大 distal 因子 W Y W_Y W Y 后仍成立;进一步流扩张保留这些条件律。
其证明与第四单元的 B Lemma 5.2 相同。清除有理速度的分母后,某个整数时间 h h h 固定所有相位,空间元组按有限个正整数幂的乘积变换演化。普通 mixing 使这个乘积系统 mixing。逐个固定相位的相关趋零,再由统一有界上界和支配收敛,得到相位基底上的相对弱混合。W Y W_Y W Y 在同一时间 h h h 下相对 distal,故相对不交性决定其条件空间律仍为固定乘积律。
这里不使用式 (HM-A)。高阶 mixing 只在下一项的重复空间读数中出现。扩张时先拉回全部既有变量,它们的联合分布不变;再对新最大 distal 因子使用相同论证。
2.2 复制到全部 n n n 个位置
A Proposition 4.3(pp.11–14)说明:在 M b ( Y ) M_b(Y) M b ( Y ) 上保留原始因子 π Y ( y b ) \pi_Y(y_b) π Y ( y b ) ,将所有 D γ ( y i ) D_\gamma(y_i) D γ ( y i ) 、i ∈ I i\in I i ∈ I 都列为辅助因子,并保留 γ \gamma γ 的原组三编号,仍然满足两条条件律。
第四单元已展开这一保持证明的所有估计。由四个位置改为固定 n n n 个位置时,需要核对的是下列有限性,而不是假设新的任意阶逐点定理。
写 t = h l + s t=hl+s t = h l + s 、0 ≤ s < h 0\le s<h 0 ≤ s < h ,令 e γ = h q γ ∈ N e_\gamma=hq_\gamma\in\mathbb N e γ = h q γ ∈ N 。每个辅助读数的时间为
e γ i l + a γ , i , i ∈ I ,
e_\gamma i l+a_{\gamma,i},
\quad i\in I,
e γ i l + a γ , i , i ∈ I ,
偏移 a γ , i a_{\gamma,i} a γ , i 只有有限种模式。旧原变量的读数时间为 h b l + a 0 hbl+a_0 hb l + a 0 。选择长度 N = c 2 k N=c2^k N = c 2 k 删去不足一个长度为 h h h 的末段,并换归一化,误差至多 2 h / N 2h/N 2 h / N 。
若只使用真子集辅助组,原变量与这些组在给定相位后独立。对任一含中心化函数的辅助坐标,式 (HM-A) 使其不同位置的相关趋零,且有限种偏移可取共同阈值。其 Cesàro 均值的尾部上确界趋零,所以可用于任意足够大的依点选择长度。若只有原变量被中心化,则用 T h b T^{hb} T hb 的 Birkhoff 定理。
若三个组都出现中心化函数,就得到三个实 Hilbert 空间中的单位球向量 u l , v l , w l u_l,v_l,w_l u l , v l , w l 。前两列向量在删去有限初始段后,各自的内积在某个有界度数图以外不超过 η \eta η 。原因是坏对只能落在有限多个约束
∣ e γ i l − e γ i ′ l ′ + a ∣ ≤ R
|e_\gamma i l-e_\gamma i'l'+a|\le R
∣ e γ i l − e γ i ′ l ′ + a ∣ ≤ R
中;对每个固定 l l l ,每个约束只允许有界多个 l ′ l' l ′ ,因为 e γ i ′ > 0 e_\gamma i'>0 e γ i ′ > 0 。这时式 (HM-A) 的阶数和图度数可依赖固定 n n n 与固定测试,不要求对 n n n 一致。
在一个长度事件中,令 p p p 为其条件概率,m = ⌊ c 2 k / h ⌋ m=\lfloor c2^k/h\rfloor m = ⌊ c 2 k / h ⌋ ,并令
d m = ⌈ ( 1 + log m ) 3 / 2 ⌉ .
d_m=\left\lceil(1+\log m)^{3/2}\right\rceil.
d m = ⌈ ( 1 + log m ) 3/2 ⌉ .
先固定 0 < ε ≤ 1 0<\varepsilon\le1 0 < ε ≤ 1 ,再取 0 < η ≤ ε 2 / 10 4 0<\eta\le\varepsilon^2/10^4 0 < η ≤ ε 2 /1 0 4 ,随后确定相应的图度数与初始截断。对 u l ⊗ v l u_l\otimes v_l u l ⊗ v l 的协方差取前 d m d_m d m 个特征方向。A Appendix A 的 Theorem A.1 与 B Theorem 4.1 是同一投影计数估计,已在第四单元完整展开。其主要部分对该长度事件贡献至多 p ( ε + o ( 1 ) ) p(\varepsilon+o(1)) p ( ε + o ( 1 )) ;剩余部分由协方差迹和事件子概率密度控制为 p / d m \sqrt{p/d_m} p / d m 。
这些估计的维数增长及求和只涉及 m m m ,没有使用位置数恰为四。先固定 ε , η \varepsilon,\eta ε , η 和相应图度数、截断,再取长度尾部上确界,主要部分总和至多 ε + o ( 1 ) \varepsilon+o(1) ε + o ( 1 ) 。剩余部分满足
∑ k ≥ a , c ∈ F p k , c / d m ( k , c ) ≤ ( ∑ k ≥ a , c ∈ F d m ( k , c ) − 1 ) 1 / 2 ⟶ 0.
\sum_{k\ge a,\ c\in F}\sqrt{p_{k,c}/d_{m(k,c)}}
\le\left(\sum_{k\ge a,\ c\in F}d_{m(k,c)}^{-1}\right)^{1/2}
\longrightarrow0.
k ≥ a , c ∈ F ∑ p k , c / d m ( k , c ) ≤ k ≥ a , c ∈ F ∑ d m ( k , c ) − 1 1/2 ⟶ 0.
事件的两组边缘由可数生成代数选择共同零集;投影只需对可数个长度与有限种偏移预选。最后 a → ∞ a\to\infty a → ∞ ,再 ε ↓ 0 \varepsilon\downarrow0 ε ↓ 0 。这逐项说明前篇已证估计可以用于当前任意固定的 n n n 。
2.3 给定旧完整参数后的全部辅助乘积律
A Corollary 4.4(p.14)的结论是
Law λ Y ( ( d Y ( y i ) ) i ∈ I ∣ P ) = ⨂ i ∈ I Law m Y ( d Y ) . (All-outputs)
\operatorname{Law}_{\lambda_Y}((d_Y(y_i))_{i\in I}\mid P)
=\bigotimes_{i\in I}\operatorname{Law}_{m_Y}(d_Y).
\tag{All-outputs}
Law λ Y (( d Y ( y i ) ) i ∈ I ∣ P ) = i ∈ I ⨂ Law m Y ( d Y ) . ( All-outputs )
证明先在 M b ( Y ) M_b(Y) M b ( Y ) 使用刚刚得到的三组结构,再用 Lemma 4.2 条件于新最大 distal 因子。旧参数数组 P P P 包含在该因子中,对较小的 P P P 取条件期望,固定乘积测度保持不变。
3. 一个位置上允许哪两类空间列表
对应 A §5.1,p.14。
每个位置 i i i 预先指定以下两类之一:
L i ( y i ) = d Y ( y i ) 为辅助变量位置 ;
L_i(y_i)=d_Y(y_i)
\quad\text{为辅助变量位置};
L i ( y i ) = d Y ( y i ) 为辅助变量位置 ;
或
L i ( y i ) = ( x 0 ( y i ) , d Y , H i ( y i ) ) , H i ⊊ { 1 , 2 , 3 } , 为含原变量的位置 .
L_i(y_i)=(x_0(y_i),d_{Y,H_i}(y_i)),
\quad H_i\subsetneq\{1,2,3\},
\quad\text{为含原变量的位置}.
L i ( y i ) = ( x 0 ( y i ) , d Y , H i ( y i )) , H i ⊊ { 1 , 2 , 3 } , 为含原变量的位置 .
原文分别称为 output role 与 input role。第二类允许函数同时依赖原变量与旧三组的一个真子集,这一点比 B 的对应选择更宽。函数可以忽略列表中的部分坐标,但位置类别仍按事先指定的列表计算。
每类列表都有固定的乘积空间分布,记为 κ i \kappa_i κ i 。对非空 J ⊆ I J\subseteq I J ⊆ I ,选取实有界函数 h i h_i h i 满足
∫ h i d κ i = 0 ( i ∈ J ) ,
\int h_i\,\mathrm{d}\kappa_i=0
\quad(i\in J),
∫ h i d κ i = 0 ( i ∈ J ) ,
并考虑
E λ Y [ Φ ( P ) ∏ i ∈ J h i ( L i ( y i ) ) ] , (Corr-A)
\mathbb E_{\lambda_Y}\left[
\Phi(P)\prod_{i\in J}h_i(L_i(y_i))\right],
\tag{Corr-A}
E λ Y [ Φ ( P ) i ∈ J ∏ h i ( L i ( y i )) ] , ( Corr-A )
其中 Φ \Phi Φ 是完整参数数组的任意实有界函数。Lemma 4.2 进一步保证
E m Y [ h i ( L i ) ∣ W Y ] = 0.
\mathbb E_{m_Y}[h_i(L_i)\mid W_Y]=0.
E m Y [ h i ( L i ) ∣ W Y ] = 0.
4. 最小支撑给出的乘积律
对应 A Lemma 5.1,p.15。
4.1 最小值存在并至少为四
第五单元上篇的正相关在没有辅助变量的悬挂系统上给出式 (Corr-A) 的一个非零例子。在全部允许系统、全部角色列表及测试函数中,令 k k k 为非零相关的最小支撑大小。可能大小只属于有限集合 { 1 , … , n } \{1,\ldots,n\} { 1 , … , n } ,非零例子保证其中的非空子集有最小元素。
若 ∣ J ∣ ≤ 3 |J|\le3 ∣ J ∣ ≤ 3 ,A Proposition 3.3 的完整参数条件律使这些完整状态在给定 P P P 后独立。再用每个位置的条件中心化,得到
E λ Y [ ∏ i ∈ J h i ( L i ( y i ) ) ∣ P ] = 0.
\mathbb E_{\lambda_Y}\left[\prod_{i\in J}h_i(L_i(y_i))\mid P\right]=0.
E λ Y [ i ∈ J ∏ h i ( L i ( y i )) ∣ P ] = 0.
乘任意 Φ ( P ) \Phi(P) Φ ( P ) 后仍为零,故 k ≥ 4 k\ge4 k ≥ 4 。如果 n < 4 n<4 n < 4 ,此时已经与逐点失败矛盾;以下只讨论 4 ≤ k ≤ n 4\le k\le n 4 ≤ k ≤ n 。
4.2 对任意较小列表组合完整展开测试
任取一个允许系统,选 s < k s<k s < k 个不同位置 i 1 , … , i s i_1,\ldots,i_s i 1 , … , i s ,每处指定一个允许空间列表。对任意实有界测试 F j F_j F j ,写
c j = ∫ F j d κ i j , F j = c j + F ~ j , ∫ F ~ j d κ i j = 0.
c_j=\int F_j\,\mathrm{d}\kappa_{i_j},
\quad F_j=c_j+\widetilde F_j,
\quad \int\widetilde F_j\,\mathrm{d}\kappa_{i_j}=0.
c j = ∫ F j d κ i j , F j = c j + F j , ∫ F j d κ i j = 0.
有限展开为
∏ j = 1 s F j ( L i j ) = ∑ K ⊆ { 1 , … , s } ( ∏ j ∉ K c j ) ∏ j ∈ K F ~ j ( L i j ) .
\prod_{j=1}^{s}F_j(L_{i_j})
=\sum_{K\subseteq\{1,\ldots,s\}}
\left(\prod_{j\notin K}c_j\right)
\prod_{j\in K}\widetilde F_j(L_{i_j}).
j = 1 ∏ s F j ( L i j ) = K ⊆ { 1 , … , s } ∑ j ∈ / K ∏ c j j ∈ K ∏ F j ( L i j ) .
对每个非空 K K K ,右边的中心化乘积只用 ∣ K ∣ ≤ s < k |K|\le s<k ∣ K ∣ ≤ s < k 个位置。它乘任意实有界 Φ ( P ) \Phi(P) Φ ( P ) 后的积分,按 k k k 的全局最小性为零。因此
E λ Y [ ∏ j = 1 s F j ( L i j ) ∣ P ] = ∏ j = 1 s c j .
\mathbb E_{\lambda_Y}\left[
\prod_{j=1}^{s}F_j(L_{i_j})\mid P\right]
=\prod_{j=1}^{s}c_j.
E λ Y [ j = 1 ∏ s F j ( L i j ) ∣ P ] = j = 1 ∏ s c j .
对各标准空间的可数 Borel 生成代数先取共同参数满测集,乘积测试决定概率测度;测度唯一性再延伸至全部 Borel 集。于是
Law λ Y ( ( L i j ( y i j ) ) j = 1 s ∣ P ) = ⨂ j = 1 s κ i j . (Below-k)
\operatorname{Law}_{\lambda_Y}((L_{i_j}(y_{i_j}))_{j=1}^{s}\mid P)
=\bigotimes_{j=1}^{s}\kappa_{i_j}.
\tag{Below-k}
Law λ Y (( L i j ( y i j ) ) j = 1 s ∣ P ) = j = 1 ⨂ s κ i j . ( Below-k )
这项结论对任何允许系统成立,因为最小值正是在全部系统中选择的。它只涉及指定的空间列表;没有证明 s s s 个任意完整状态在给定参数后相互独立。
5. 固定最小支撑后,再取最多的辅助位置
仍对应 A p.15。
在支撑恰为 k k k 的所有非零相关中,令 r r r 为辅助变量位置数的最大值。它属于 { 0 , … , k } \{0,\ldots,k\} { 0 , … , k } ,因此可以选到实现该数值的一个系统和相关。
若 r = k r=k r = k ,所有列表都只用辅助变量。式 (All-outputs) 及每个空间测试的零均值使相关为零。因此
选定一个实现 ( k , r ) (k,r) ( k , r ) 的相关,令 A ⊆ J A\subseteq J A ⊆ J 为其辅助位置集合,取 b ∈ J ∖ A b\in J\setminus A b ∈ J ∖ A 。于是
∣ J ∣ = k , ∣ A ∣ = r , L b = ( x 0 , d Y , H b ) , H b ⊊ { 1 , 2 , 3 } .
|J|=k,
\quad |A|=r,
\quad L_b=(x_0,d_{Y,H_b}),
\quad H_b\subsetneq\{1,2,3\}.
∣ J ∣ = k , ∣ A ∣ = r , L b = ( x 0 , d Y , H b ) , H b ⊊ { 1 , 2 , 3 } .
下一步只扩张这个已经选定的系统,并保留其相关值。k , r k,r k , r 的全局极值仍对扩张后的允许系统有效。
6. 只稳定参数与单个完整状态
对应 A §5.2、Lemma 5.2,pp.15–16,式 (5.2)–(5.3)。
这里定义
D 0 ( Y ) = σ ( P ) , D i ( Y ) = σ ( P , y i ) ( i ∈ I ) . (Data-A)
\mathcal D_0(Y)=\sigma(P),
\quad\mathcal D_i(Y)=\sigma(P,y_i)
\quad(i\in I).
\tag{Data-A}
D 0 ( Y ) = σ ( P ) , D i ( Y ) = σ ( P , y i ) ( i ∈ I ) . ( Data-A )
A 使用的是一个状态,而 B §6.2 使用的是除一个位置外的其他三个状态。两种条件信息不能互换。A 后续的方阵证明将直接利用当前单状态形式。
6.1 扩张下的包含关系
若 ρ : Y ′ → Y \rho:Y'\to Y ρ : Y ′ → Y 为 C C C 上的流扩张,( ρ I ) ∗ λ Y ′ = λ Y (\rho^I)_*\lambda_{Y'}=\lambda_Y ( ρ I ) ∗ λ Y ′ = λ Y 。旧 W Y W_Y W Y 拉回后为新流的 distal 因子,故包含在 W Y ′ W_{Y'} W Y ′ 中;旧位置 y i y_i y i 是新位置的映像。因此
( ρ I ) − 1 D l ( Y ) ⊆ D l ( Y ′ ) ( l ∈ { 0 } ∪ I ) ,
(\rho^I)^{-1}\mathcal D_l(Y)
\subseteq\mathcal D_l(Y')
\quad(l\in\{0\}\cup I),
( ρ I ) − 1 D l ( Y ) ⊆ D l ( Y ′ ) ( l ∈ { 0 } ∪ I ) ,
均按模零包含理解。
Lemma 5.2 的结论是存在标准流扩张 Y ∗ → Y Y_*\to Y Y ∗ → Y ,使对任意进一步标准流扩张 ρ : Y ′ → Y ∗ \rho:Y'\to Y_* ρ : Y ′ → Y ∗ 、任意 f ∈ L 2 ( λ Y ∗ ) f\in L^2(\lambda_{Y_*}) f ∈ L 2 ( λ Y ∗ ) 和任意 l ∈ { 0 } ∪ I l\in\{0\}\cup I l ∈ { 0 } ∪ I ,
E λ Y ′ [ f ∘ ρ I ∣ D l ( Y ′ ) ] = E λ Y ∗ [ f ∣ D l ( Y ∗ ) ] ∘ ρ I . (Stable-A)
\mathbb E_{\lambda_{Y'}}[f\circ\rho^I\mid\mathcal D_l(Y')]
=\mathbb E_{\lambda_{Y_*}}[f\mid\mathcal D_l(Y_*)]\circ\rho^I.
\tag{Stable-A}
E λ Y ′ [ f ∘ ρ I ∣ D l ( Y ′ )] = E λ Y ∗ [ f ∣ D l ( Y ∗ )] ∘ ρ I . ( Stable-A )
这是 L 2 ( λ Y ′ ) L^2(\lambda_{Y'}) L 2 ( λ Y ′ ) 中的函数类等式;不要求所有扩张和测试共用一个逐点满测集。
6.2 有界能量与可数安排
对阶段上固定的测试 f f f 和类型 l l l ,定义能量
E ( f , l ) = ∥ E [ f ∣ D l ] ∥ 2 2 .
\mathcal E(f,l)=\|\mathbb E[f\mid\mathcal D_l]\|_2^2.
E ( f , l ) = ∥ E [ f ∣ D l ] ∥ 2 2 .
包含关系使该数在进一步扩张时不降,并被 ∥ f ∥ 2 2 \|f\|_2^2 ∥ f ∥ 2 2 控制。每个阶段的 L 2 L^2 L 2 可分,取一个可数稠密集,保留此前所有测试的拉回。用可数对角安排,使每个保留测试与每个 l l l 都反复处理,规定误差趋于零。
在处理 ( f , l ) (f,l) ( f , l ) 的阶段,从全部标准扩张中选一个,使其能量距离可达到的上确界小于规定误差 ε \varepsilon ε 。标准 Borel 空间、测度、Borel 作用及因子映射可在固定标准空间上编码,因此这里可在一个集合上取上确界。恒等扩张保证候选非空;有界性保证上确界有限。只需按定义选到近似最优者,不要求最大值实现。
6.3 逆极限与任意进一步扩张的比较
取构造链的可数逆极限 Y ∗ Y_* Y ∗ 。按上篇的完整乘积实现,固定时间保测、因子关系模零成立,阶段选取分布彼此兼容且阶段函数在极限 L 2 L^2 L 2 中稠密。
固定一个保留测试、一个类型及任意扩张 Y ′ → Y ∗ Y'\to Y_* Y ′ → Y ∗ 。若某次优化之前和之后的阶段为 Y a , Y a + 1 Y_a,Y_{a+1} Y a , Y a + 1 ,误差为 ε a \varepsilon_a ε a ,则 Y ′ Y' Y ′ 也是 Y a Y_a Y a 的扩张,故
E Y ′ ( f , l ) ≤ sup R → Y a E R ( f , l ) ≤ E Y a + 1 ( f , l ) + ε a ≤ E Y ∗ ( f , l ) + ε a .
\mathcal E_{Y'}(f,l)
\le\sup_{R\to Y_a}\mathcal E_R(f,l)
\le\mathcal E_{Y_{a+1}}(f,l)+\varepsilon_a
\le\mathcal E_{Y_*}(f,l)+\varepsilon_a.
E Y ′ ( f , l ) ≤ R → Y a sup E R ( f , l ) ≤ E Y a + 1 ( f , l ) + ε a ≤ E Y ∗ ( f , l ) + ε a .
沿该对数据反复被处理的子序列令 ε a → 0 \varepsilon_a\to0 ε a → 0 ,得到不等式的一侧;能量单调性给出反向不等式,因此能量相等。
把旧 L 2 L^2 L 2 作为新 L 2 L^2 L 2 的等距子空间,旧、新条件期望分别是到嵌套闭子空间的正交投影 P 0 , P 1 P_0,P_1 P 0 , P 1 。有
∥ P 1 f ∥ 2 2 = ∥ P 0 f ∥ 2 2 + ∥ P 1 f − P 0 f ∥ 2 2 .
\|P_1f\|_2^2=\|P_0f\|_2^2+\|P_1f-P_0f\|_2^2.
∥ P 1 f ∥ 2 2 = ∥ P 0 f ∥ 2 2 + ∥ P 1 f − P 0 f ∥ 2 2 .
能量相等迫使投影相同。阶段稠密性和条件期望的压缩性把结论延伸到所有 f f f ,证明式 (Stable-A)。没有使用最大 distal 因子与逆极限交换的断言。
6.4 极值相关随扩张保留
原始因子及三组变量拉回后仍满足条件律。选取分布的因子兼容性保留原相关的积分,旧参数权重成为新参数的函数。因此扩张后仍是支撑为 k k k 、辅助位置数为 r r r 的同一个非零相关。此后把这个稳定系统仍记为 Y Y Y 。
7. 将其他支撑位置变为新辅助列表
对应 A §5.3,p.16。
取 Z = M b ( Y ) Z=M_b(Y) Z = M b ( Y ) 。其状态为 z = ( y j ) j ∈ I z=(y_j)_{j\in I} z = ( y j ) j ∈ I ,测度为 m Z = λ Y m_Z=\lambda_Y m Z = λ Y ,原始因子为 π Y ( y b ) \pi_Y(y_b) π Y ( y b ) 。
先保留位置 b b b 的全部旧辅助因子,并保留它们的原组三编号。对每个 j ∈ J ∖ { b } j\in J\setminus\{b\} j ∈ J ∖ { b } ,另增加整个列表
Q j = L j ( y j ) .
Q_j=L_j(y_j).
Q j = L j ( y j ) .
若 j j j 是含原变量的位置,这个列表中的原变量也来自真实的 C C C -值因子 π Y ( y j ) \pi_Y(y_j) π Y ( y j ) ,不是仅增加一个没有流结构的空间坐标。
因为 k ≥ 4 k\ge4 k ≥ 4 ,存在满射
τ : J ∖ { b } ⟶ { 1 , 2 , 3 } .
\tau:J\setminus\{b\}\longrightarrow\{1,2,3\}.
τ : J ∖ { b } ⟶ { 1 , 2 , 3 } .
把整个 Q j Q_j Q j 放入新第 τ ( j ) \tau(j) τ ( j ) 组。列表内部不再拆分。旧因子在位置 j j j 的速度乘以 j / b j/b j / b ,所以新速度仍为正有理数;每个因子的保概率边缘也不变。
这里有两个不同规则:位置 b b b 保留旧组三编号,其他位置的整个列表按 τ \tau τ 分配。下面分别用到它们。
8. A Lemma 5.3:两条新条件律的完整证明
原文 pp.16–17。
所有新相位都是旧完整参数数组 P P P 的函数。只需先给定 P P P 证明固定空间乘积律,再将条件缩到新完整相位。
8.1 全部新辅助列表
新辅助变量分成 k k k 个旧位置的列表:
d Y ( y b ) , Q j ( j ∈ J ∖ { b } ) .
d_Y(y_b),\quad Q_j\ (j\in J\setminus\{b\}).
d Y ( y b ) , Q j ( j ∈ J ∖ { b }) .
每个列表都是旧系统中的允许列表。对每个列表取一个实有界测试,写成其固定乘积空间均值加中心化部分,再展开。
若展开项包含的中心化位置数小于 k k k ,式 (Below-k) 决定它的条件均值:只要有中心化项就为零。唯一尚待处理的是全部 k k k 个测试都中心化的项。
若此项对 P P P 的条件期望非零,取其符号为参数权重,积分便为其绝对值的正积分。由此得到旧系统上的一个非零相关:支撑仍为 k k k ,原来其他位置的类别不变,位置 b b b 却改成仅用辅助列表。因此辅助位置有 r + 1 r+1 r + 1 个,与 r r r 的最大性矛盾。
若 d Y ( y b ) d_Y(y_b) d Y ( y b ) 为空,单点空间上的中心化测试就是零,以上结论同样成立。因此全部新辅助变量在给定 P P P 后具有各自空间分布的乘积律,即第一条新规则。
8.2 新原变量与任意真子集新组
取 H ⊊ { 1 , 2 , 3 } H\subsetneq\{1,2,3\} H ⊊ { 1 , 2 , 3 } ,并加上新原变量 x 0 ( y b ) x_0(y_b) x 0 ( y b ) 。在旧位置 b b b ,保留的列表恰为
( x 0 ( y b ) , d Y , H ( y b ) ) ,
(x_0(y_b),d_{Y,H}(y_b)),
( x 0 ( y b ) , d Y , H ( y b )) ,
因为此处旧组三编号没有改变。它是允许的含原变量列表。
其余位置 j j j 被纳入当且仅当 τ ( j ) ∈ H \tau(j)\in H τ ( j ) ∈ H ;一旦纳入,就保留完整 Q j Q_j Q j 。由于 τ \tau τ 满射且 H H H 为真子集,至少一个 j ∈ J ∖ { b } j\in J\setminus\{b\} j ∈ J ∖ { b } 被遗漏。因此实际涉及的旧位置数严格小于 k k k 。
在这些位置应用式 (Below-k),得到所需的完整空间乘积律。各列表内部的固定空间分布又由 Lemma 4.2 确定,因此新原变量及所保留的新组也满足第二条规则。
8.3 缩小条件与两种选择的用途
刚刚得到的两个右侧乘积测度均为常量,不依赖 P P P 。新相位对 P P P 可测,条件期望的塔式性质因此把两条律降到新相位,证明 Z Z Z 确实具有三组辅助变量结构。
满射 τ \tau τ 保证第二条规则遗漏至少一个支撑位置;保留位置 b b b 的旧组三编号,保证其原变量与剩余旧组仍组成允许列表。若任意混合这两种分组规则,上述应用最小支撑的理由就会消失。
9. 已形成的非零条件平均
对应 A §6.1 开头,p.17。
令
q ( ( y i ) i ∈ I ) = ∏ j ∈ J ∖ { b } h j ( L j ( y j ) ) , g ( P , y b ) = E λ Y [ q ∣ P , y b ] .
q((y_i)_{i\in I})=\prod_{j\in J\setminus\{b\}}h_j(L_j(y_j)),
\quad
g(P,y_b)=\mathbb E_{\lambda_Y}[q\mid P,y_b].
q (( y i ) i ∈ I ) = j ∈ J ∖ { b } ∏ h j ( L j ( y j )) , g ( P , y b ) = E λ Y [ q ∣ P , y b ] .
原非零相关为
E λ Y [ Φ ( P ) h b ( L b ( y b ) ) g ( P , y b ) ] .
\mathbb E_{\lambda_Y}[\Phi(P)h_b(L_b(y_b))g(P,y_b)].
E λ Y [ Φ ( P ) h b ( L b ( y b )) g ( P , y b )] .
若 g ( P , y b ) = 0 g(P,y_b)=0 g ( P , y b ) = 0 于 L 2 ( λ Y ) L^2(\lambda_Y) L 2 ( λ Y ) ,此积分就为零,矛盾。因此 g ≠ 0 g\ne0 g = 0 。在同一状态空间视为 Z Z Z 时,q q q 只使用新增加的辅助列表。下一篇将用式 (Stable-A) 的单状态条件信息,直接比较方阵中的 q q q 行函数与列函数。
原文范围与未覆盖部分
A pp.10–14,Definition 4.1、Lemma 4.2、Proposition 4.3、Corollary 4.4:三组定义及保持;具体张量估计已在第四单元展开,本篇核对任意固定位置数的适用条件。
A pp.14–15,式 (5.1)、Lemma 5.1:允许列表、全局最小支撑及较小列表的条件乘积律。
A pp.15–16,式 (5.2)–(5.3)、Lemma 5.2:参数与单状态条件期望的同时稳定扩张。
A pp.16–17,Lemma 5.3:按满射重分组的两条条件律。
尚未证明行列相关非零及辅助位置数最终增加;这些是下一篇 A §6 的内容。高阶 mixing 与所列结构定理仍是明确的外部前提。