극한 과정과 중량 꼬리 랜덤 워크의 범위 차원 증가 공간에서

초록

본 논문은 ℓₚ 거리 하에서 차원이 증가하는 고차원 공간에 놓인 중량 꼬리 랜덤 벡터들의 극한 과정과 랜덤 워크의 경로를 연구한다. 삼각 배열 설정에서 관측 수와 차원이 동시에 무한대로 갈 때, 적절한 등거리 변환을 통해 경로를 매핑하면 포아송 군집 과정에서 유도된 한계 과정을 얻는다. 이 결과는 Gromov‑Hausdorff 거리와 카운팅 측도 공간의 Hausdorff 거리 모두에서 수렴을 보이며, 극한은 ℓₚ 공간의 크래클드 서브오디네이터와 동형인 랜덤 메트릭 공간으로 식별된다.

상세 분석

논문은 먼저 ℓₚ(1≤p≤∞) 공간에서의 거리와 그에 대응하는 카운팅 측도(N) 위의 거리 ϑₚ를 정의하고, 두 거리 사이의 동형성을 Lemma A.1을 통해 증명한다. 이를 기반으로, 차원이 n에 따라 증가하는 삼각 배열 형태의 랜덤 벡터 X^{(d)}를 고려한다. 각 벡터는 비음성 성분을 가지며, 그 성분들을 원자로 갖는 카운팅 측도 χ^{(d)}=m(X^{(d)})를 만든다. 핵심 가정은 (A)‑(C) 세 가지이다. (A)는 정규화된 카운팅 측도 a_n^{-1}χ^{(d)}가 특정 비정상 측도 ν에 대해 Sₚ-희미 수렴(vague convergence)한다는 조건이며, 이는 정규 변동성의 삼각 배열 버전이다. (B)는 서로 다른 샘플 간에 큰 성분이 겹치지 않는다는 ‘비교적 직교’ 조건으로, 좌표별 최소값이 정규화 후 ε보다 크게 될 확률이 사라짐을 요구한다. (C)는 작은 성분들의 기여가 무시될 수 있도록 하는 적분 조건으로, 특히 p<∞인 경우에는 ‖X^{(d)}‖ₚ^p가 a_n^{-p}에 비해 충분히 작아야 함을 보장한다.

이러한 가정 하에, 포아송 과정 η=∑δ(t_k,μ_k) (강도 λ⊗ν)를 정의하고, 이를 이용해 두 종류의 극한 객체를 만든다. 첫 번째는 카운팅 측도 공간 N에서의 집합 Y_T={υ_t:0≤t≤T}이며, 두 번째는 ℓₚ 공간에서의 크래클드 서브오디네이터 Y_T=cl{Y_t:0≤t≤T}이다. 여기서 Y_t=∑{t_k≤t}‖μ_k‖ₚ e_k 로 정의되며, 이는 각 포아송 점이 생성하는 ‘클러스터’의 ℓₚ 노름을 순서대로 누적한 결과이다. 중요한 점은 Y_T가 ℓₚ 거리에서 R+와 동형이라는 사실이다. 즉, 시간 t와 t’ 사이의 거리 ρ_{ν,p}(t,t’)는 해당 구간에 포함된 포아송 점들의 ℓₚ 노름 합(또는 최대)으로 표현된다.

주요 정리(Theorem 2.1)는 다음을 보인다. (I) 정규화된 최대 집합 a_n^{-1}M^{(d)}{⌊nT⌋}와 정규화된 랜덤 워크 집합 a_n^{-1}W^{(d)}{⌊nT⌋}가 N 위의 Hausdorff 거리 ϑ_{H,p}에 대해 Y_T로 수렴한다. (II) 동일한 두 집합을 ℓₚ 공간에 매핑하고, 등거리 변환(ℓₚ의 퍼뮤테이션 및 특정 스프레드 변환) 후 Hausdorff 거리 up to isometry에 대해 역시 Y_T로 수렴한다. (III) 따라서 두 집합을 메트릭 공간으로 간주했을 때, Gromov‑Hausdorff 거리에서도 Y_T와 동형인 랜덤 메트릭 공간으로 수렴한다.

기술적인 기여는 크게 세 가지이다. 첫째, ℓₚ(p≠2)에서의 등거리군이 제한적임에도 불구하고, 카운팅 측도와 순열을 이용해 차원 증가 상황을 ‘순열 불변’하게 다루는 방법을 제시했다. 둘째, 삼각 배열에서의 정규 변동성 개념을 확장해, ν가 일반적인 비정상 측도가 될 수 있음을 보였다. 셋째, 포아송 군집 과정과 크래클드 서브오디네이터를 연결함으로써, 극한 메트릭 공간이 단순히 ‘크래클드’ 형태가 아니라, 포아송 점들의 ℓₚ 노름에 의해 정의된 비유클리드 거리 구조를 갖는다는 점을 명확히 했다.

예시 섹션에서는 (i) i.i.d. 성분을 갖는 벡터, (ii) 단일 비정상 성분만을 갖는 스파스 벡터, (iii) 이동 최대(Moving Maxima) 구조를 가진 시계열, (iv) 장기 의존성을 갖는 로지스틱 분포 시계열을 다룬다. 특히 (iv)에서는 다변량 Sibuya 분포가 클러스터 분포로 등장함을 보여, 기존 문헌에서 다루지 못한 새로운 클러스터 구조를 제시한다. 부록에서는 ℓₚ 공간의 등거리 전형(Theorem B.1)과 카운팅 측도 위의 희미 수렴에 관한 보조 정리들을 제공한다.

전체적으로 이 논문은 고차원 중량 꼬리 현상이 ℓₚ 메트릭 구조와 어떻게 결합되는지를 체계적으로 분석하고, Gromov‑Hausdorff 수렴이라는 강력한 위상적 결과까지 도출함으로써, 확률적 기하학, 극한 과정 이론, 그리고 고차원 통계학 분야에 중요한 이론적 토대를 제공한다.