黄金比例以下的所有指数的互幂散度信息均严格不满足次可加性
medium tier2026-10-31OP-726审阅: Claude CodeEnglish
摘要
互 $f$-信息在条件独立观测下的次可加性对幂散度生成元是否成立?其成立的精确指数范围有何特征?对于指数 $\beta \in (0, 1)$,互幂散度信息 $I_\beta(X; Y)$ 将互信息推广到了由 $f_\beta(t) = (t^\beta - \beta t + \beta - 1)/(\beta(\beta - 1))$ 生成的幂散度族。在条件独立观测模型 $Y \leftarrow X \rightarrow Z$ 中,次可加性要求 $I_\beta(X; (Y, Z)) \le I_\beta(X; Y) + I_\beta(X; Z)$。一般 $f$-散度的充分条件已知,但它们并未确定幂散度族的精确指数范围;数值证据指向以黄金比例共轭为界。本文表明,对于严格小于黄金比例共轭 $\beta_* = (\sqrt{5} - 1)/2 \approx 0.618034$ 的每个指数 $\beta$,次可加性均严格不成立。具体而言,对于每个 $\beta \in (0, \beta_*)$,都存在一个显式的、严格正的二元马尔可夫链 $Y \leftarrow X \rightarrow Z$ 展现出严格超可加性 $I_\beta(X; (Y, Z)) > I_\beta(X; Y) + I_\beta(X; Z)$。该反例是通过一个非对称二元信道构造的,该信道具有概率为 $p$ 的罕见输入符号,且交叉概率为 $\kappa p$ 量级。次可加性余量在 $p = 0$ 处为零,并且当且仅当 $1 - \beta - \beta^2 > 0$(即 $\beta < \beta_*$)时,可以通过选取信道参数使其在该处的导数为正。这些结果已在 Lean 4 证明助手中形式化并得到验证。
1. 引言
在信息论中,互 $f$-信息 $I_f(X; Y)$ 通过凸生成元函数 $f$ 度量联合概率分布 $P_{XY}$ 与其边缘分布的乘积 $P_X \otimes P_Y$ 之间的散度,从而推广了经典互信息。经典互信息的一个基本结构性质是条件独立下的次可加性:如果给定底层信源 $X$ 时两个观测 $Y$ 和 $Z$ 条件独立——构成马尔可夫链 $Y \leftarrow X \rightarrow Z$——则 $(Y, Z)$ 联合提供的信息不能超过单独提供的信息之和,即 $I(X; (Y, Z)) \le I(X; Y) + I(X; Z)$。然而对于一般的 $f$-散度,本次可加性不等式并不普遍成立。确定使次可加性对所有条件独立观测均成立的凸生成元 $f$ 和参数族的精确类别,是 arXiv:2610.21231 中研究的问题,该文给出了生成元的充分条件。
一个经典的单参数生成元族是由指数 $\beta \in (0, 1)$ 索引的幂散度族,定义为 $$f_\beta(t) = \frac{t^\beta - \beta t + \beta - 1}{\beta(\beta - 1)}.$$ 该族包含若干标准散度度量,包括指数 $\beta = 1/2$ 处由 $f_{1/2}(t) = 2(\sqrt{t} - 1)^2$ 生成的散度。对于该族,有限随机变量 $X$ 和 $Y$ 之间的互幂散度信息定义为 $I_\beta(X; Y) = D_{f_\beta}(P_{XY} \parallel P_X \otimes P_Y)$。在此提出的超出该论文范围的问题是,次可加性 $$I_\beta(X; (Y, Z)) \le I_\beta(X; Y) + I_\beta(X; Z),$$ 是否对所有条件独立的有限随机变量 $Y \leftarrow X \rightarrow Z$ 成立,当且仅当 $\beta \ge \beta_* = \frac{\sqrt{5}-1}{2} \approx 0.618034$,其中 $\beta_*$ 是代数方程 $\beta^2 + \beta - 1 = 0$ 的唯一正根。
arXiv:2610.21231 中的工作建立了针对大类 $f$-散度确立次可加性的微分判据;它并没有逐个指数地处理幂散度族。在该结果之前,幂散度次可加性的已验证反驳仅在孤立指数 $\beta = 1/4$ 和 $\beta = 1/2$ 处可用,而此处记录的较早猜想曾提出了充分范围 $\beta \ge 2/3$。次可加性是否在 $\beta_*$ 以下处处失效此前悬而未决。
详细的数值搜索为黄金比例指数 $\beta_*$ 的关键作用提供了证据。在具有概率为 $10^{-L}$ 的罕见输入符号且条件独立观测的交叉概率分别为 $a$ 和 $10^{-L}$ 的参数化二元信道族中,观察到违反次可加性的边界在 $a = 10^{-2}$ 时趋近于 $0.615286$,在 $a = 10^{-4}$ 时趋近于 $0.618006$,在 $a = 10^{-8}$ 时趋近于 $0.618033986$。此外,在 $L = 200$ 和 $a = 10^{-12}$ 下的高精度评估显示,在 $\beta = 0.6180339887$ 处次可加性余量为负的 $-4.6999 \times 10^{-234}$,而在 $\beta = 0.6180339888$ 处余量为正的 $4.7722 \times 10^{-234}$。尽管如此,数值评估既无法在整个连续指数区间上确立次可加性的失效,也未能阐明将黄金比例方程 $\beta^2 + \beta - 1 = 0$ 与次可加性余量联系起来的数学机制。
本文介绍了黄金比例分类中失效方向在 Lean 4 中的形式化验证。我们证明,对于开区间 $(0, (\sqrt{5}-1)/2)$ 内的每一个实指数 $\beta$,都存在 $X$ 上的显式、严格正的二元概率分布以及从 $X$ 到 $Y$ 和 $Z$ 的相同转移核,使得 $Y \leftarrow X \rightarrow Z$ 构成一个马尔可夫链,在其上互幂散度信息严格不满足次可加性: $$I_\beta(X; (Y, Z)) > I_\beta(X; Y) + I_\beta(X; Z).$$ 这确立了 $\beta \ge \beta_*$ 是次可加性在任意有限字母表上成立的严格必要条件。证明是构造性的:它分析了一个具有概率为 $p$ 的罕见输入符号且交叉概率为 $\kappa p$ 量级的非对称二元信道,对 $p = 0$ 处的次可加性余量求导,并证明只要 $\beta^2 + \beta < 1$,选取适当的信道参数即可使导数严格为正。
2. 预备知识
我们在有限字母表上形式化概率分布和互幂散度信息。贯穿始终,随机变量取值于有限类型,且概率分布由其概率质量函数(PMF)表示。
定义 1(power_divergence_generator): 对于满足 $\beta \ne 0$ 且 $\beta \ne 1$ 的任意参数 $\beta \in \mathbb{R}$,幂散度生成元 $f_\beta : \mathbb{R} \to \mathbb{R}$ 定义为 $$f_\beta(x) = \frac{x^\beta - \beta x + (\beta - 1)}{\beta(\beta - 1)},$$ 其中 $x^\beta$ 表示实数幂运算。对于 $x > 0$,$f_\beta(x)$ 二阶连续可微,且满足 $f_\beta'(x) = \frac{\beta x^{\beta-1} - \beta}{\beta(\beta - 1)} = \frac{x^{\beta-1} - 1}{\beta - 1}$ 以及 $f_\beta''(x) = x^{\beta-2} > 0$,从而保证了在 $(0, \infty)$ 上的严格凸性。在 $x = 1$ 处,$f_\beta(1) = 0$ 且 $f_\beta'(1) = 0$,因此 $f_\beta$ 是归一化的。对于 $x = 0$ 且 $\beta > 0$,连续延拓满足 $f_\beta(0) = \frac{\beta - 1}{\beta(\beta - 1)} = \frac{1}{\beta}$。当 $\beta = 1/2$ 时,生成元简化为 $f_{1/2}(x) = 2(\sqrt{x} - 1)^2$。
定义 2(mutual_f_information): 设 $X$ 和 $Y$ 为有限类型。对于任意生成元函数 $f : \mathbb{R} \to \mathbb{R}$ 以及任意联合概率质量函数 $p : X \to Y \to \mathbb{R}$,互 $f$-信息 $\tilde{I}_f(X; Y)$ 定义为 $$\tilde{I}_f(X; Y) = \sum_{x \in X} \sum_{y \in Y} p_X(x) p_Y(y) f\left( \frac{p(x, y)}{p_X(x) p_Y(y)} \right),$$ 其中 $p_X(x) = \sum_{y' \in Y} p(x, y')$ 和 $p_Y(y) = \sum_{x' \in X} p(x', y)$ 分别为 $X$ 和 $Y$ 的边缘分布。
注 1(边缘与支集的约定): 在 Lean 对 mutual_f_information 的定义中,被求和项表述为 $p_X(x) p_Y(y) f(p(x, y) / (p_X(x) p_Y(y)))$。在 Lean 的标准实数除法下,除以零的结果为零。当 $p_X(x) p_Y(y) = 0$ 时,因子 $p_X(x) p_Y(y)$ 消失,这确保了零边缘项对总和的贡献为零。在我们的构造中,每个分布和信道转移概率均严格为正,因此对所有符号都有 $p_X(x) > 0$ 和 $p_Y(y) > 0$,除以零的情况绝不发生。
定义 3(马尔可夫链与次可加性): 设 $X, Y, Z$ 为有限字母表。马尔可夫链 $Y \leftarrow X \rightarrow Z$ 由满足 $p_X(x) \ge 0$ 和 $\sum_{x \in X} p_X(x) = 1$ 的输入概率质量函数 $p_X : X \to \mathbb{R}$,以及对所有 $x \in X$ 满足 $P_Y(x, y) \ge 0$、$\sum_{y \in Y} P_Y(x, y) = 1$、$P_Z(x, z) \ge 0$ 和 $\sum_{z \in Z} P_Z(x, z) = 1$ 的转移核 $P_Y : X \to Y \to \mathbb{R}$ 与 $P_Z : X \to Z \to \mathbb{R}$ 所指定。给定 $X$ 时 $Y$ 与 $Z$ 的条件独立性意味着 $X \times (Y \times Z)$ 上的联合分布由下式给出: $$p_{XYZ}(x, (y, z)) = p_X(x) P_Y(x, y) P_Z(x, z).$$ 边缘对分布为 $p_{XY}(x, y) = p_X(x) P_Y(x, y)$ 和 $p_{XZ}(x, z) = p_X(x) P_Z(x, z)$。若在此马尔可夫链上满足 $$\tilde{I}_f(X; (Y, Z)) \le \tilde{I}_f(X; Y) + \tilde{I}_f(X; Z).$$ 则称互 $f$-信息是次可加的。若相反的严格不等式成立,则互信息是严格超可加的。
定义 4(黄金比例指数): 黄金比例共轭指数 $\beta_*$ 定义为 $$\beta_* = \frac{\sqrt{5} - 1}{2} \approx 0.618033988749895.$$ 它是二次方程 $\beta^2 + \beta - 1 = 0$ 在区间 $(0, 1)$ 内的唯一根。对于任意 $\beta \in (0, 1)$,条件 $\beta < \beta_*$ 等价于 $\beta^2 + \beta < 1$,亦可写为 $1 - \beta - \beta^2 > 0$。
3. 主要结果
定理 1(黄金比例以下次可加性的失效): 设 $\beta \in \mathbb{R}$ 满足 $0 < \beta < \frac{\sqrt{5}-1}{2}$。则存在严格正的二元概率质量函数 $p_X : \{0, 1\} \to \mathbb{R}$ 以及转移核 $P_Y, P_Z : \{0, 1\} \to \{0, 1\} \to \mathbb{R}$ 构成条件独立马尔可夫链 $Y \leftarrow X \rightarrow Z$,使得 $$\tilde{I}_{f_\beta}(X; Y) + \tilde{I}_{f_\beta}(X; Z) < \tilde{I}_{f_\beta}(X; (Y, Z)),$$ 其中 $f_\beta$ 为 power_divergence_generator $\beta$,且联合分布由 $p_{XY}(x, y) = p_X(x) P_Y(x, y)$、$p_{XZ}(x, z) = p_X(x) P_Z(x, z)$ 以及 $p_{XYZ}(x, (y, z)) = p_X(x) P_Y(x, y) P_Z(x, z)$ 定义。
在 Lean 形式化中,该陈述由 power_divergence_exists_binary_counterexample_of_lt_golden_ratio 给出: 该定理以假设 $\beta : \mathbb{R}$、$h\beta_0 : 0 < \beta$ 以及 $h\beta : \beta < (\text{Real.sqrt } 5 - 1) / 2$ 为前提,结论是存在满足在所有符号上均严格为正、精确归一化 $\sum_x p_X(x) = 1$、$\sum_y P_Y(x, y) = 1$、$\sum_z P_Z(x, z) = 1$,以及对于生成元为 power_divergence_generator $\beta$ 的 mutual_f_information 严格超可加的 $p_X : \text{Fin } 2 \to \mathbb{R}$ 与 $P_Y, P_Z : \text{Fin } 2 \to \text{Fin } 2 \to \mathbb{R}$。
此结果补充了以下结构性见解:
- 开区间上的普遍失效:次可加性的失效并不局限于如 $\beta = 1/4$ 或 $\beta = 1/2$ 等孤立有理数点。相反,对于整个连续区间 $(0, \beta_*)$ 内的每个指数,均出现严格超可加性。
- 二元字母表即足矣:对次可加性的阻碍不需要大字母表、非对称观测或概率单纯形的边界点。该反例完全在二元字母表($|X| = |Y| = |Z| = 2$)内运作,使用相同的观测信道($P_Y = P_Z$),并对每个符号和转移赋予严格正的概率质量。
- 黄金比例阈值的必要性:因为对每个 $\beta < \beta_*$ 都存在严格正的二元反例,所以条件 $\beta \ge \beta_*$ 对于在所有有限字母表上次可加性均成立是严格必要的。
theorem power_divergence_exists_binary_counterexample_of_lt_golden_ratio (β : ℝ) (hβ0 : 0 < β) (hβ : β < (Real.sqrt 5 - 1) / 2) : ∃ (pX : Fin 2 → ℝ) (PY PZ : Fin 2 → Fin 2 → ℝ), (∀ x, 0 < pX x) ∧ (∑ x, pX x = 1) ∧ (∀ x y, 0 < PY x y) ∧ (∀ x, ∑ y, PY x y = 1) ∧ (∀ x z, 0 < PZ x z) ∧ (∀ x, ∑ z, PZ x z = 1) ∧ mutual_f_information (power_divergence_generator β) (fun x y => pX x * PY x y) + mutual_f_information (power_divergence_generator β) (fun x z => pX x * PZ x z) < mutual_f_information (power_divergence_generator β) (fun x (yz : Fin 2 × Fin 2) => pX x * PY x yz.1 * PZ x yz.2)
4. 证明
证明思路: 为检验次可加性,我们考虑二元随机变量 $X, Y, Z \in \{0, 1\}$ 并设 $P_Y = P_Z = W$,其中 $W : \{0, 1\} \to \{0, 1\} \to \mathbb{R}$ 为转移核。由 $Y$ 与 $Z$ 之间的对称性,边缘互信息重合:$\tilde{I}_{f_\beta}(X; Y) = \tilde{I}_{f_\beta}(X; Z)$。 利用互幂散度信息的幂和表示,单观测信道上的互信息可以表示为 $$\tilde{I}_{f_\beta}(X; Y) = \frac{S_Y - 1}{\beta(\beta - 1)},$$ 其中 $S_Y = \sum_{x, y} p_X(x) W(x, y)^\beta p_Y(y)^{1-\beta}$。类似地,对于条件独立观测对 $(Y, Z)$,联合转移核为 $W_2(x, (y, z)) = W(x, y) W(x, z)$,互信息为 $$\tilde{I}_{f_\beta}(X; (Y, Z)) = \frac{S_{YZ} - 1}{\beta(\beta - 1)},$$ 其中 $S_{YZ} = \sum_{x, y, z} p_X(x) (W(x, y) W(x, z))^\beta p_{YZ}(y, z)^{1-\beta}$。
因此,联合信息与边缘信息之差为 $$\tilde{I}_{f_\beta}(X; (Y, Z)) - 2 \tilde{I}_{f_\beta}(X; Y) = \frac{S_{YZ} - 1}{\beta(\beta - 1)} - 2 \frac{S_Y - 1}{\beta(\beta - 1)} = \frac{2 S_Y - 1 - S_{YZ}}{-\beta(\beta - 1)}.$$ 因为 $\beta \in (0, 1)$,分母因子 $-\beta(\beta - 1)$ 严格为正。从而,严格超可加性 $\tilde{I}_{f_\beta}(X; (Y, Z)) > 2 \tilde{I}_{f_\beta}(X; Y)$ 严格等价于余量函数的正性: $$G(p) = 2 S_Y - 1 - S_{YZ} > 0.$$
我们对输入分布和信道进行如下参数化: - 输入分布具有一个概率为 $p \in (0, 1/2)$ 的罕见符号 $x = 1$:$p_X = (1 - p, p)$。 - 转移核 $W$ 由下式给出: $$W = \begin{pmatrix} 1 - \kappa p & \kappa p \\ 1 - a & a \end{pmatrix},$$ 其中 $a \in (0, 1)$ 为固定参数,$\kappa > 0$ 为缩放参数。 在 $p = 0$ 处,输入分布退化为 $p_X = (1, 0)$,故几乎必然有 $X = 0$,且信道从 $x = 0$ 出发的输出确定性地为 $0$。因此 $S_Y(0) = 1$ 且 $S_{YZ}(0) = 1$,给出 $G(0) = 2(1) - 1 - 1 = 0$。 若能证明对于适当选取的 $a$ 和 $\kappa$,$p = 0$ 处的右导数 $G'(0)$ 严格为正,则由可微性,对于所有充分小的 $p > 0$ 均有 $G(p) > 0$。
我们陈述支撑引理:
引理 1(互幂散度信息的幂和表示): 设 $\beta \in (0, 1)$。对于有限类型上满足 $p(x, y) \ge 0$ 且 $\sum_{x, y} p(x, y) = 1$ 的任意概率质量函数 $p : X \to Y \to \mathbb{R}$, $$\tilde{I}_{f_\beta}(X; Y) = \frac{\sum_{x \in X} \sum_{y \in Y} p(x, y)^\beta (p_X(x) p_Y(y))^{1-\beta} - 1}{\beta(\beta - 1)}.$$ 在 Lean 中,此恒等式由 mutual_power_divergence_information_eq_sum_rpow 确立。当对转移核 $W$ 有 $p(x, y) = p_X(x) W(x, y)$ 时,该恒等式化为 $$\tilde{I}_{f_\beta}(X; Y) = \frac{\sum_{x \in X} \sum_{y \in Y} p_X(x) W(x, y)^\beta p_Y(y)^{1-\beta} - 1}{\beta(\beta - 1)}.$$ 证明:用 power_divergence_generator 展开 mutual_f_information 的定义,被求和项为 $$p_X(x) p_Y(y) \frac{(p(x, y)/(p_X(x) p_Y(y)))^\beta - \beta (p(x, y)/(p_X(x) p_Y(y))) + (\beta - 1)}{\beta(\beta - 1)}.$$ 乘以 $p_X(x) p_Y(y)$ 将该和拆分为三项: 1. $\sum_{x, y} p_X(x) p_Y(y) (p(x, y) / (p_X(x) p_Y(y)))^\beta = \sum_{x, y} p(x, y)^\beta (p_X(x) p_Y(y))^{1-\beta}$。 2. $-\beta \sum_{x, y} p(x, y) = -\beta \cdot 1 = -\beta$。 3. $(\beta - 1) \sum_{x, y} p_X(x) p_Y(y) = (\beta - 1) \cdot 1 = \beta - 1$。 常数之和为 $-\beta + \beta - 1 = -1$,从而得出 mutual_power_divergence_information_eq_sum_rpow 中的公式。
引理 2($p = 0$ 处的余量导数): 设 $p_X = (1 - p, p)$ 且 $W = \begin{pmatrix} 1 - \kappa p & \kappa p \\ 1 - a & a \end{pmatrix}$。 余量函数 $G(p) = 2 S_Y(p) - 1 - S_{YZ}(p)$ 满足 $G(0) = 0$,且其在 $p = 0$ 处的导数为 $$G'(0) = L(a, \kappa),$$ 其中 $$L(a, \kappa) = -(1 - \beta) a^2 - (1 - (1 - a)^\beta)^2 + 2 \kappa^\beta \left( (a + \kappa)^{1-\beta} - (\kappa + a - a^2)^{1-\beta} \right).$$ 证明:我们计算 $Y$ 和 $(Y, Z)$ 的边缘输出概率: 对于单观测 $Y$: $p_Y(1) = (1 - p) \kappa p + p a = p (a + (1 - p) \kappa)$, $p_Y(0) = (1 - p)(1 - \kappa p) + p(1 - a) = 1 - p(a + (1 - p)\kappa)$。 对于联合观测 $(Y, Z) \in \{0, 1\}^2$: $p_{YZ}(1, 1) = (1 - p)(\kappa p)^2 + p a^2 = p (a^2 + (1 - p)\kappa^2 p)$, $p_{YZ}(0, 1) = p_{YZ}(1, 0) = (1 - p)(1 - \kappa p)\kappa p + p(1 - a)a = p ((1 - a)a + (1 - p)(1 - \kappa p)\kappa)$, $p_{YZ}(0, 0) = (1 - p)(1 - \kappa p)^2 + p(1 - a)^2$。
$W$ 的元素 $\kappa p$ 以及概率 $p_Y(1)$、$p_{YZ}(0,1)$、$p_{YZ}(1,0)$、$p_{YZ}(1,1)$ 均带有因子 $p$。利用 $p^\beta p^{1-\beta} = p$(对于 $p > 0$)分离出该因子,可将余量写为 $$G(p) = 2c_0(p) - 1 - c_{00}(p) + p\,K(p),$$ 其中 $c_0(p) = (1-p)(1-\kappa p)^\beta p_Y(0)^{1-\beta}$ 和 $c_{00}(p) = (1-p)(1-\kappa p)^{2\beta} p_{YZ}(0,0)^{1-\beta}$ 来自公共输入符号与全零输出对应的项,在 $p = 0$ 附近光滑且在该处取值为 $1$;$K$ 汇集了其余各项,每一项都是 $p$ 的非负幂次($p^0$, $p^\beta$, $p^{1-\beta}$)与在 $p = 0$ 处保持为正的各量的幂次的乘积;因此 $K$ 是连续的。于是 $G(0) = 0$ 且 $G'(0) = 2c_0'(0) - c_{00}'(0) + K(0)$,其中 $c_0'(0) = -1 - \beta\kappa - (1-\beta)(\kappa + a)$,$c_{00}'(0) = -1 - 2\beta\kappa + (1-\beta)(-1 - 2\kappa + (1-a)^2)$,且 $$K(0) = 2\left((1-a)^\beta + \kappa^\beta (a+\kappa)^{1-\beta}\right) - (1-a)^{2\beta} - 2\kappa^\beta(\kappa + a - a^2)^{1-\beta}.$$ 合并同类项即得 $G'(0) = L(a, \kappa)$。
引理 3(黄金比例以下导数的正性): 设 $0 < \beta < \frac{\sqrt{5}-1}{2}$。则存在参数 $a \in (0, 1)$ 和 $\kappa > 0$ 使得 $L(a, \kappa) > 0$。 证明:两个初等界限将 $L$ 转化为有理表达式。首先,伯努利不等式 $(1+s)^\beta \le 1 + \beta s$ 在 $s = a/(1-a)$ 下给出 $(1-a)^{-\beta} \le 1 + \beta a/(1-a)$,从而 $0 \le 1 - (1-a)^\beta \le \beta a/(1-a)$ 且 $$(1 - (1-a)^\beta)^2 \le \frac{\beta^2 a^2}{(1-a)^2}.$$ 其次,令 $u = a + \kappa$,对指数 $1 - \beta$ 应用伯努利不等式给出 $(u - a^2)^{1-\beta} \le u^{1-\beta}\left(1 - (1-\beta)a^2/u\right)$,故 $$2\kappa^\beta\left(u^{1-\beta} - (u - a^2)^{1-\beta}\right) \ge 2(1-\beta)a^2\left(\frac{\kappa}{a+\kappa}\right)^\beta \ge 2(1-\beta)a^2 \frac{\kappa}{a+\kappa},$$ 最后一步是因为 $\kappa/(a+\kappa) \le 1$ 且 $\beta \le 1$。综合可得, $$L(a, \kappa) \ge a^2\left((1-\beta)\frac{\kappa - a}{\kappa + a} - \frac{\beta^2}{(1-a)^2}\right).$$ 现在取 $a = (1 - \beta - \beta^2)/4$,由于 $\beta^2 + \beta < 1$,它落在 $(0, 1/4)$ 内。则 $D = (1-\beta)(1-a)^2 - \beta^2 > 0$:事实上 $(1-a)^2 \ge 1 - 2a$ 且 $(1-\beta)(1-2a) - \beta^2 = (1+\beta)(1-\beta-\beta^2)/2 > 0$。取 $\kappa = a\left((1-\beta)(1-a)^2 + \beta^2\right)/D + 1$。则 $\kappa D = a\left((1-\beta)(1-a)^2 + \beta^2\right) + D$,这表明 $(1-\beta)(1-a)^2(\kappa - a) - \beta^2(\kappa + a) = D > 0$,故该界的右侧为正。因此 $L(a, \kappa) > 0$。
引理 4(正微扰的提取): 设 $G : \mathbb{R} \to \mathbb{R}$ 满足 $G(0) = 0$ 且具有导数 $G'(0) > 0$。则对任意 $\epsilon > 0$,存在 $p \in (0, \epsilon)$ 使得 $G(p) > 0$。 证明:由导数的定义,当 $p \to 0$ 时 $G(p)/p \to G'(0) > 0$,故 $G(p) > 0$ 在邻域 $(0, \delta)$ 上成立。选取 $p \in (0, \min(\epsilon, \delta))$ 即得结论。
主定理的证明: 我们现在遵循 power_divergence_exists_binary_counterexample_of_lt_golden_ratio 的步骤:
1. 参数选取: 已知 $0 < \beta < (\sqrt{5}-1)/2$,我们有 $\beta < 1$。 由引理 3,存在参数 $a \in (0, 1)$ 和 $\kappa > 0$ 使得 $L(a, \kappa) > 0$。
2. 导数求值: 由引理 2,$G(p) = 2 S_Y(p) - 1 - S_{YZ}(p)$ 在 $p = 0$ 处的导数等于 $L(a, \kappa) > 0$。 令 $\epsilon = \frac{1}{2(\kappa + 1)} > 0$,引理 4 提供了满足 $p < \frac{1}{2(\kappa + 1)}$ 的 $p > 0$ 使得 $G(p) > 0$。
3. 严格正概率分布的验证: 我们验证 $p$ 和 $W$ 在 $\{0, 1\}$ 上定义了合法的、严格正的分布:
- 因为 $\kappa > 0$,所以 $2(\kappa + 1) > 2$,从而 $p < 1 / (2(\kappa + 1)) < 1/2$。因此 $p_X(0) = 1 - p > 1/2 > 0$ 且 $p_X(1) = p > 0$,且和为 $p_X(0) + p_X(1) = 1$。
- 因为 $p < \frac{1}{2(\kappa + 1)}$,所以 $2(\kappa + 1) p < 1$,故 $2\kappa p < 1$,给出 $\kappa p < 1/2$。因此 $W(0, 0) = 1 - \kappa p > 1/2 > 0$ 且 $W(0, 1) = \kappa p > 0$,行和满足 $W(0, 0) + W(0, 1) = 1$。
- 对于第二行,$a \in (0, 1)$ 蕴含 $W(1, 0) = 1 - a > 0$ 且 $W(1, 1) = a > 0$,行和满足 $W(1, 0) + W(1, 1) = 1$。
我们设 $P_Y = W$ 且 $P_Z = W$。给定 $X$ 时 $(Y, Z)$ 的联合转移分布为 $W_2(x, (y, z)) = W(x, y) W(x, z)$,它是非负的且满足 $\sum_{y, z} W(x, y) W(x, z) = 1$。
4. 超可加性: 由引理 1,互信息满足 $$\tilde{I}_{f_\beta}(X; Y) = \frac{S_Y - 1}{\beta(\beta - 1)}, \quad \tilde{I}_{f_\beta}(X; Z) = \frac{S_Y - 1}{\beta(\beta - 1)},$$ $$\tilde{I}_{f_\beta}(X; (Y, Z)) = \frac{S_{YZ} - 1}{\beta(\beta - 1)}.$$ 次可加性差值为 $$\tilde{I}_{f_\beta}(X; (Y, Z)) - (\tilde{I}_{f_\beta}(X; Y) + \tilde{I}_{f_\beta}(X; Z)) = \frac{2 S_Y - 1 - S_{YZ}}{-\beta(\beta - 1)}.$$ 因为 $0 < \beta < 1$,所以 $-\beta(\beta - 1) > 0$。 因为 $G(p) = 2 S_Y - 1 - S_{YZ} > 0$,除以 $-\beta(\beta - 1)$ 得到 $$\tilde{I}_{f_\beta}(X; Y) + \tilde{I}_{f_\beta}(X; Z) < \tilde{I}_{f_\beta}(X; (Y, Z)).$$ 这完成了 power_divergence_exists_binary_counterexample_of_lt_golden_ratio 的证明。
5. 讨论
此处给出的结果解决了互幂散度信息黄金比例分类的必要性方向。通过证明对于每个指数 $\beta \in (0, (\sqrt{5}-1)/2)$ 都存在严格正的二元反例,该定理证明了在所有条件独立观测下的次可加性仅当 $\beta \ge \beta_* = (\sqrt{5}-1)/2$ 时才可能成立。
这一结果推进了文献中已有的认识:
- 取代孤立反例:以往的反驳仅局限于个别点,如 $\beta = 1/4$ 和 $\beta = 1/2$。由 $a, \kappa, p$ 参数化的解析构造覆盖了 $\beta_*$ 以下的整个连续指数区间,表明次可加性的失效是结构性的,且普遍由多项式 $1 - \beta - \beta^2$ 支配。
- 小型反例:该反例在小型配置上实现了严格超可加性:所有字母表均为二元($|X| = |Y| = |Z| = 2$),观测信道完全相同,且所有先验概率与转移概率均严格为正。因此,次可加性的失效无需借助多元字母表、信道非对称性或支集边界即可发生。
- 阐明黄金比例边界:导数 $L(a, \kappa)$ 的渐近展开阐明了黄金比例共轭出现的原因:在交叉项尺度为 $\kappa \gg a$ 的罕见符号极限 $p \to 0$ 下,分数幂差值 $(a + \kappa)^{1-\beta} - (\kappa + a - a^2)^{1-\beta}$ 贡献了 $2(1-\beta)a^2$,与之对抗的边际项贡献了 $-(1-\beta)a^2 - \beta^2 a^2$。由此产生的平衡方程恰好为 $(1-\beta) - \beta^2 = 1 - \beta - \beta^2 = 0$,其在 $(0, 1)$ 内的唯一根正是 $\beta_*$。
目前悬而未决的是分类的充分性部分:在整个区间 $[\beta_*, 1)$(包括黄金比例边界 $\beta_*$)内,次可加性是否对所有有限字母表和所有条件独立马尔可夫链均成立?
在非对称二元网格以及较大字母表(如 $2 \times 2 \times 2$、$3 \times 2 \times 2$、$3 \times 3 \times 3$、$4 \times 3 \times 2$ 和 $6 \times 3 \times 3$)上数千种倾斜配置中的数值搜索,均未能在 $\beta_*$ 或其上方发现任何违背次可加性的情况。然而,在 $[\beta_*, 1)$ 上确立普遍的次可加性仍然是一个开放问题。解决这一问题将需要针对特定生成元的新凹性或算子不等式框架,以在任意有限字母表上确立这一无量纲不等式。
为什么是研究级成果
- Proves the failure half of the golden-ratio conjecture OP-726 for every exponent, not just at sample points: for every beta in (0, (sqrt 5 - 1)/2) there is a strictly positive binary Markov chain Y <- X -> Z on which mutual power-divergence information is strictly superadditive. The construction is a rare input symbol of probability p and a channel entry of order p, and the slack has derivative -(1-beta)a^2 - (1-(1-a)^beta)^2 + 2 kappa^beta((a+kappa)^(1-beta) - (kappa+a-a^2)^(1-beta)) at p = 0, positive for suitable a, kappa exactly when beta^2 + beta < 1. The source paper (arXiv:2610.21231) gives only sufficient conditions for subadditivity, and the knowledgebase had refutations only at beta = 1/4 and 1/2 plus numerical evidence for the threshold
Lean 声明
- power_divergence_exists_binary_counterexample_of_lt_golden_ratioFor every exponent beta in (0, (sqrt 5 - 1)/2), there exist strictly positive binary probability mass functions pX, PY, PZ forming a…
- power_divergence_generatorThe power-divergence generator f_β(x) = (x^β − βx + β − 1)/(β(β − 1)), for β ∉ {0, 1} and x ≥ 0 (β = 1/2 gives 2(√x − 1)², the squared…
- mutual_f_informationFor a joint probability mass function p_{XY} on finite sets, the mutual f-information is Ĩ_f(X; Y) = D_f(p_{XY} ‖ p_X p_Y) = Σ_{x,y}…
- mutual_power_divergence_information_eq_sum_rpowFor β ∈ (0, 1) and a joint probability mass function p_{XY}, the mutual f_β-information equals (Σ_{x,y} p(x, y)^β (p_X(x) p_Y(y))^{1−β} −…
Each one elaborated against Mathlib, and #print axioms returned
nothing outside Classical.choice · Quot.sound · propext.
参考文献
- arXiv:2610.21231 — On the Subadditivity of Mutual f-Information
由 gemini-3.8-flash 根据知识库起草,经过检查并由 Claude Code 审阅英文版;中文版由模型翻译并对照英文检查。只有 Lean 部分经过验证,文字是对它的解读。