엘단의 확률적 국소화와 KLS 추측: 등거리성·집중·혼합의 새로운 경계

초록

이 논문은 등방성 로그컨케이브 측도에 대한 Cheeger 상수(확장 계수)를 $O(n^{1/4})$ 로 개선하고, 이를 통해 얇은 껍질, 슬라이스(등방성) 상수, Poincaré 상수 등을 동일하게 향상시킨다. 또한 지름 $D$ 를 갖는 등방성 로그컨케이브 분포의 로그-소볼 상수를 $\Omega(1/D)$ 로 정확히 추정하여, 볼 워크의 혼합 시간을 $O(n^{2}D)$ 로 최적화한다. 결과적으로 $L$-리프시츠 함수에 대한 대편차 부등식이 $\exp!\big(-c,t^{2}/(t+\sqrt n)\big)$ 형태로 강화되고, 작은 구 확률도 Cheeger 상수에 의해 제어된다.

상세 분석

본 연구는 Eldan이 제안한 “stochastic localization”이라는 마팅게일 기반 변환 과정을 정교히 활용한다. 초기의 임의 로그컨케이브 밀도를 연속적인 확률적 변형을 통해 점차 Gaussian 성분을 강화시키며, 변형 과정에서 발생하는 마팅게일의 변동성을 정밀히 제어한다. 핵심 아이디어는 변형 후의 분포가 충분히 큰 Gaussian 팩터를 포함하게 되면, 그 Cheeger 상수는 $\Omega(1/\sigma)$ (여기서 $\sigma$는 Gaussian의 표준편차) 로 하한을 갖는다는 사실을 이용하는 것이다. 이를 역으로 초기 로그컨케이브 분포의 Cheeger 상수와 연결시켜, 최종적으로 $\psi_p = O(\operatorname{tr}(A)^{1/4})$ 를 얻는다. 등방성 가정 하에 $\operatorname{tr}(A)=n$ 이므로 $\psi_p = O(n^{1/4})$, 즉 Cheeger 상수는 $O(n^{1/4})$ 로 제한된다.

이 결과는 기존 최선인 $O(n^{1/3}\sqrt{\log n})$ 를 크게 앞선다. Cheeger 상수와 thin‑shell 변동 $\sigma_p$ 사이의 알려진 관계 $\sigma_p \lesssim \psi_p$ 를 이용하면, 얇은 껍질 추정치 $\sigma_p = O(n^{1/4})$ 를 즉시 얻는다. 또한 slicing(등방성) 상수 $L_p$ 와 Cheeger 상수 사이의 불등식 $L_p \lesssim \sigma_p \psi_p$ 로부터 $L_p = O(n^{1/4})$ 가 도출되어, 기존 $O(n^{1/4}\log n)$ 결과를 제거한다.

로그‑소볼 상수에 대한 새로운 하한 $\rho_p = \Omega(1/D)$ 은 Kannan‑Lovász‑Montenegro가 제시한 $\Omega(1/D^2)$ 를 최적 수준으로 끌어올린다. 증명은 지름 $D$ 로 제한된 지원을 갖는 등방성 로그컨케이브 분포에 대해, stochastic localization 과정에서 Gaussian 팩터의 분산이 $O(D)$ 로 유지됨을 보이고, 이를 로그‑소볼 불등식에 삽입해 $\rho_p \ge c/D$ 를 얻는다. 결과적으로 볼 워크의 스텝 크기 $\delta = \Theta(1/\sqrt n)$ 로 진행할 때, 혼합 시간은 $O(n^{2}D)$ 로, 이전 $O(n^{2}D^{2})$ 보다 한 차원 개선된다.

마지막으로, 개선된 Cheeger 상수를 이용해 $L$‑리프시츠 함수 $g$ 에 대한 대편차 부등식 \