2026-10-15 · 独立性可以退场，条件公平性不能

0. 导读与元结构 (Orientation & Meta-structure)

2026 年 10 月 15 日，星期四。 Develata，今天的起点是：独立和的指数尾界很好用，但逐步运行的算法、逐条揭示的图，其增量往往依赖过去。失去独立性以后，什么仍足以阻止偏差累积成线性规模？

答案不是“每一步平均为零”，而是“看见过去之后，每一步的条件平均仍为零”，再加上每步幅度的确定性限制。

对象分三层：概率空间与滤过记录信息；适应过程记录预测值；确定性常数 $c_k$ 控制随机增量。结论对每个固定时域 $n$、每个偏差阈值 $t>0$ 成立，不能自动理解成对全部时间同时成立。

前置知识：条件期望、塔式性质、凸函数、Markov 不等式。证明引擎：凸性控制单步指数矩 → 条件化逐步消去依赖 → 优化指数参数。目的地是揭示鞅 (exposure martingale)、随机图集中，以及用实际条件方差替代最坏幅度的改进。

这是三日 anchor 微弧的第 1/3 日：今天建立有界鞅差的基础界；后续拟讨论坐标敏感度的精细版本，再进入方差敏感的界。相对 7 月 31 日 的鞅与可选停止，今天的数学增量是定量尾概率，不是期望保持或收敛定理。此前 anchor 占比为 $27/72=37.5\mathrm{\%}$，本弧也自然补回主线。

1. 核心概念、定理与谱系 (Concept, Theorem & Lineage)

1.1 需要保留的不是独立，而是条件消去

在概率空间 $(\mathrm{\Omega },\mathcal{F},\mathbb{P})$ 上，固定 $n\ge 1$ 与滤过 ${\mathcal{F}}_0\subseteq \cdots \subseteq {\mathcal{F}}_n\subseteq \mathcal{F}$。实值过程 $(M_k{)}_{k=0}^n$ 是鞅 (martingale)，指

$$\mathrm{\forall }k\in \{0,\dots ,n\},M_k\text{ 为 }{\mathcal{F}}_k\text{-可测},\mathbb{E}|M_k|<\mathrm{\infty },$$

$$\mathrm{\forall }k\in \{1,\dots ,n\},\mathbb{E}[M_k\mid {\mathcal{F}}_{k-1}]=M_{k-1}\text{a.s.}$$

令 $D_k=M_k-M_{k-1}$，则鞅条件恰为 $\mathbb{E}[D_k\mid {\mathcal{F}}_{k-1}]=0$。独立中心化增量是其特例，但并非唯一来源。例如取独立对称符号 ${\epsilon }_k\in \{-1,1\}$，令 ${\mathcal{F}}_k=\sigma ({\epsilon }_1,\dots ,{\epsilon }_k)$、${\mathcal{F}}_0$ 平凡。任意 ${\mathcal{F}}_{k-1}$-可测的 $H_{k-1}\in [-1,1]$ 都给出 $D_k=H_{k-1}{\epsilon }_k$ 的条件中心化；幅度选择可以依赖整个过去，所得增量也可以不独立。

1.2 单步引理：指数的弦，比指数本身容易平均

引理。 设 $\mathcal{G}\subseteq \mathcal{F}$ 是子 $\sigma$-代数，$D$ 是实随机变量，$c\ge 0$ 为确定性常数，满足 $|D|\le c$ a.s. 及 $\mathbb{E}[D\mid \mathcal{G}]=0$。则

$$\mathrm{\forall }\lambda \in \mathbb{R},\mathbb{E}[e^{\lambda D}\mid \mathcal{G}]\le e^{{\lambda }^2{c}^2/2}\text{a.s.}$$

证明。 $c=0$ 时显然。$c>0$ 时，对每个 $x\in [-c,c]$，凸性给出

$$e^{\lambda x}\le \frac{c+x}{2c}{e}^{\lambda c}+\frac{c-x}{2c}{e}^{-\lambda c}=\cosh (\lambda c)+\frac{x}{c}\sinh (\lambda c).$$

条件平均消去线性项。又由 $(2j)!\ge 2^{j}j!$，

$$\cosh u=\sum _{j=0}^{\mathrm{\infty }}\frac{u^{2j}}{(2j)!}\le \sum _{j=0}^{\mathrm{\infty }}\frac{(u^2/2{)}^j}{j!}=e^{u^2/2}.$$

每个假设都有明确岗位：有界性允许用一条固定弦；条件中心化消去弦的斜率项。

1.3 Azuma–Hoeffding 不等式

定理。 上述鞅满足 $M_0=0$ a.s.，且存在确定性 $c_1,\dots ,c_n\ge 0$，使

$$\mathrm{\forall }k\in \{1,\dots ,n\},|D_k|\le c_k\text{a.s.}$$

记 $V=\sum _{k=1}^n{c}_k^2$。若 $V>0$，则对每个 $t>0$，

$$\mathbb{P}(M_n\ge t)\le \exp (-\frac{t^2}{2V}),\mathbb{P}(|M_n|\ge t)\le 2\exp (-\frac{t^2}{2V}).$$

若 $V=0$，则 $M_n=0$ a.s.，无需写含零分母的公式。[1, §1]

证明架构，保留关键等式。 对固定 $\lambda \in \mathbb{R}$，因为 $M_{k-1}$ 对 ${\mathcal{F}}_{k-1}$ 可测，

$$\mathbb{E}{e}^{\lambda M_k}=\mathbb{E}[e^{\lambda M_{k-1}}\mathbb{E}(e^{\lambda D_k}\mid {\mathcal{F}}_{k-1})]\le e^{{\lambda }^2{c}_k^2/2}\mathbb{E}{e}^{\lambda M_{k-1}}.$$

递推得 $\mathbb{E}{e}^{\lambda M_n}\le e^{{\lambda }^{2}V/2}$。这里没有把依赖增量的指数矩直接相乘；相乘的是每次条件估计产生的确定性上界。

对 $\lambda >0$，Markov 不等式给出

$$\mathbb{P}(M_n\ge t)\le \exp (-\lambda t+{\lambda }^{2}V/2).$$

取 $\lambda =t/V$，得到单边界；再对 $-M_n$ 应用相同论证并取并集，即得双边界。

推论。 若全部 $c_k\le c$ 且 $c>0$，则对任意 $\delta >0$，

$$\mathbb{P}(|M_n|\ge \delta n)\le 2e^{-{\delta }^{2}n/(2c^2)}.$$

这说明线性偏差被指数压低；它只给出 $\sqrt{n}$ 量级的上侧控制，不证明真实涨落一定达到该尺度。

1.4 从独立坐标，制造并不独立的预测增量

为避免条件分布版本问题，先取有限非空集合 $E_i$、独立随机变量 $X_i\in E_i$、函数 $f:\prod _{i=1}^n{E}_i\to \mathbb{R}$。假设存在确定性 $c_i\ge 0$，使

$$\mathrm{\forall }i,\mathrm{\forall }x,y\in \prod _{j=1}^n{E}_j,[\mathrm{\forall }j\ne i,x_j=y_j]⟹|f(x)-f(y)|\le c_i.$$

令 ${\mathcal{F}}_k=\sigma (X_1,\dots ,X_k)$、$Z_k=\mathbb{E}[f(X)\mid {\mathcal{F}}_k]$，并取 ${\mathcal{F}}_0$ 平凡。塔式性质给出鞅；$Z_0=\mathbb{E}f(X)$，$Z_n=f(X)$。

固定一个具有正概率的前缀 $(x_1,\dots ,x_{k-1})$，定义

$$g_k(a)=\mathbb{E}f(x_1,\dots ,x_{k-1},a,X_{k+1},\dots ,X_n).$$

独立性保证不同 $a$ 使用同一未来分布。逐点坐标界经平均后给出 $|g_k(a)-g_k(b)|\le c_k$。而 $Z_k=g_k(X_k)$、$Z_{k-1}$ 是它对 $X_k$ 的平均，故 $|Z_k-Z_{k-1}|\le c_k$。于是

$$\mathbb{P}(|f(X)-\mathbb{E}f(X)|\ge t)\le 2\exp (-\frac{t^2}{2\sum _k{c}_k^2}).$$

此式用于 $t>0$ 且 $\sum _k{c}_k^2>0$；若全部 $c_k=0$，则 $f$ 在乘积集合上为常数，偏差概率为零。这是一个有效但非最优常数的有界差分界 (bounded differences bound)。今天只用对称增量界推出它；不把它冒充精细的 McDiarmid 常数。[1, §2]

谱系与研究生延伸。 这里的逻辑链是独立和的指数矩方法 → 条件指数矩 → 揭示鞅 → 非线性随机函数集中，而非历史优先权断言。进一步，固定 $\lambda \in \mathbb{R}$，

$$L_k=\exp (\lambda M_k-\frac{{\lambda }^2}{2}\sum _{i=1}^k{c}_i^2)$$

满足 $\mathbb{E}[L_k\mid {\mathcal{F}}_{k-1}]\le L_{k-1}$，即非负超鞅 (nonnegative supermartingale)。证明就是单步引理；这把指数尾界与停时方法接起来。若最坏幅度过于粗糙，下一步应考察 $\sum _k\mathbb{E}[D_k^2\mid {\mathcal{F}}_{k-1}]$，而不是把 $\sum c_k^2$ 误叫成实际方差。

2. 固定模板习题 (Template Exercise)

题目。 设实随机变量 $Y$ 可积，$v>0$，且

$$\mathrm{\forall }t>0,\mathbb{P}(|Y-\mathbb{E}Y|\ge t)\le 2e^{-t^2/(2v)}.$$

不预先假设 $Y\in L^2$，证明它确实平方可积，并给出 $\mathrm{Var}(Y)\le 4v$。

模板识别。 已知的是所有阈值处的尾概率，要求的是矩。应寻找“把随机变量写成水平集示性函数的积分”，而非构造密度；本题也不假定 $Y$ 有密度。

分级提示。

1. 对确定数 $z\ge 0$，如何用 ${\mathbf{1}}_{\{z>t\}}$ 表示 $z^2$？
2. 先对非负函数用 Tonelli 换序。为什么即使尚未知二阶矩有限，这一步仍合法？
3. 代入尾界后，试作换元 $u=t^2/(2v)$。最后还需从中心化变量的平方可积推回 $Y$ 本身。

3. 大家之言 (Mathematician in Their Own Words)

语境。 Terence Tao 在个人网站 What's new 的职业建议文章 “Work hard” 中，以研究经历讨论大想法、细节证据与工作质量。本次读取的正文没有给出可确认的首发日期，故不补写日期。[2]

“One needs to do a serious amount of reading and writing, and not just thinking, in order to get anywhere serious in mathematics;”

译： 要在数学中取得扎实的进展，需要认真地大量阅读和写作，而不只是思考。

转述（非引文）： Tao 随后要求以书面的证明草图、详细论证和已有文献支撑理解；他也区分努力工作与单纯堆积工作时长，强调准备充分、注意力完整的高质量工作时间。

本刊评论。 今天最值得写下来的细节，不是最终那个漂亮的指数，而是

$$\mathbb{E}[e^{\lambda M_{k-1}}{e}^{\lambda D_k}]=\mathbb{E}[e^{\lambda M_{k-1}}\mathbb{E}(e^{\lambda D_k}\mid {\mathcal{F}}_{k-1})].$$

只说“依赖情形也差不多”不能证明什么；把可测因子提出、指出条件中心化的使用处，才得到真正可迁移的理解。Tao 的话不替本期证明背书；它提醒我们，直觉应当能落实成可核查的动作。

4. 反例与边界 (Counterexample & Boundary)

待驳的邻近命题： 只要 $D_k$ 各自均值为零且 $|D_k|\le 1$，和就应满足参数 $V=n$ 的 Azuma 尾界。

取一个对称符号 $\epsilon$，$\mathbb{P}(\epsilon =1)=\mathbb{P}(\epsilon =-1)=1/2$，并令

$$D_k=\epsilon (1\le k\le n),S_k=k\epsilon .$$

逐项检查：

1. 边际中心化成立： 对每个 $k$，$\mathbb{E}{D}_k=0$。
2. 幅度界成立： 每个 $|D_k|=1$。
3. 信息条件失败： 取 ${\mathcal{F}}_0$ 平凡、${\mathcal{F}}_k=\sigma (\epsilon )$（$k\ge 1$）。第一步已揭示符号，所以对 $k\ge 2$，$\mathbb{E}[D_k\mid {\mathcal{F}}_{k-1}]=\epsilon \ne 0$。
4. 和不集中于平方根尺度： $|S_n|=n$ a.s.，且 $\mathrm{Var}(S_n)=n^2$；共同符号让全部交叉协方差累加。
5. 错误公式给出数值矛盾： 取 $n=6,t=6$，真实概率为 $1$，错误套用的右端却是 $2e^{-3}<1$。此不等式由 $e^3\ge 1+3=4$ 即可严格确认，不依赖数值模拟。

暴露的边界不是“所有依赖都危险”，而是“依赖所带来的可预测漂移不能未加处理地累积”。Azuma 允许复杂依赖，但要求每一步相对于指定信息流保持条件公平。

5. 今日一问与数学地图 (Question & Map)

固定整数 $N\ge 2$。在顶点集 $[N]$ 上，每条无向边独立以概率 $p\in (0,1)$ 出现，得到 $G(N,p)$。记 $C(G)$ 为最大割 (maximum cut) 的跨割边数。

今日一问： 逐条揭示 $m=(\genfrac{}{}{0ex}{}{N}{2})$ 个边指示变量，能否仅凭“一条边的改变使任意固定割值改变至多一”证明

$$\mathbb{P}(|C(G)-\mathbb{E}C(G)|\ge t)\le 2e^{-t^2/(2m)}(t>0)?$$

最需要论证的一步：最优割本身可能改变，为什么“取最大值”仍不放大这一个单位的敏感度？若 $p$ 很小，这个完全不含 $p$ 的界又遗漏了什么信息？请先分清集中于均值与算出均值是两项不同任务。

数学地图：

$$\text{条件期望与凸性}⟶\text{有界鞅差的指数矩}⟶\text{坐标揭示与组合优化集中}⟶\text{条件方差、Freedman 型界与稀疏图}.$$

与随机图大偏差的接口在于：集中界先给出偏离均值的概率上界，即负对数概率的成本下界；它一般还没有辨认最可能的偏差结构，更不是已经求出了精确速率函数。

附录 A：习题完整解答 (Full Solution)

展开完整解答

模板：尾积分求矩 (tail integration for moments)。 记 $Z=Y-\mathbb{E}Y$，因 $Y$ 可积，中心常数有限。逐点有

$$Z^2={\int }_0^{\mathrm{\infty }}2t{\mathbf{1}}_{\{|Z|>t\}}dt.$$

被积函数非负可测，Tonelli 定理允许在扩展非负实数中换序，无需先知道 $\mathbb{E}{Z}^2<\mathrm{\infty }$：

$$\mathbb{E}{Z}^2={\int }_0^{\mathrm{\infty }}2t\mathbb{P}(|Z|>t)dt\le 4{\int }_0^{\mathrm{\infty }}t{e}^{-t^2/(2v)}dt.$$

用 $u=t^2/(2v)$、$tdt=vdu$ 得

$$\mathbb{E}{Z}^2\le 4v{\int }_0^{\mathrm{\infty }}{e}^{-u}du=4v.$$

由 $Y^2\le 2Z^2+2(\mathbb{E}Y{)}^2$，$Y$ 平方可积；故方差有定义且 $\mathrm{Var}(Y)=\mathbb{E}{Z}^2\le 4v$。

常数 $4$ 是从这条双边尾界直接积分所得，并未声称最优。若回到本期的鞅本身，利用鞅差正交性还能得到 $\mathbb{E}{M}_n^2\le \sum c_k^2$；那利用了比题目所给尾界更多的结构。

资料与来源 (Sources)

1. MIT OpenCourseWare, 6.265/15.070J Advanced Stochastic Processes, Fall 2013, Lecture 12, “Martingale Concentration Inequalities and Applications”, 2013-10-21，§1–2。大学课程原始讲义，本次已提取全文，用于核对 Azuma–Hoeffding 的假设、条件指数矩机制与揭示鞅应用。PDF 文本提取中的部分中间公式有缺符号现象，本期重新推导凸弦系数与条件平均，不照抄损坏公式；不援引讲义旧有开放问题表述作为当前研究状态。 https://ocw.mit.edu/courses/15-070j-advanced-stochastic-processes-fall-2013/4644bbdc15d6af2f574535aa5479ecba_MIT15_070JF13_Lec12.pdf
2. Terence Tao, “Work hard”, What's new, “Career advice” 栏目，首发日期本次未确认。作者第一人称研究建议；上引英文已与本次取得的正文逐字核对，中文为本刊翻译。 https://terrytao.wordpress.com/career-advice/work-hard/

取材与查证范围。 截至 2026-10-15（Asia/Shanghai）。本期选择机制性教材与作者原文，不设发表时间回看门槛；当日 RSS 投影可用，但只是线索，本期未将其中任何条目直接当作引文依据。检索期间一个 Tao 鞅笔记候选 URL 返回 404，未列为来源，随后改用上列已成功打开的 MIT 讲义。第 4 节与习题解答为本刊逐步推导，不冒充计算机实验或文献原话。