A variational approach to dimension-free self-normalized concentration
벡터값 확률 과정의 자기정규화 집중(self-normalized concentration)을 연구한다. 우리는 널리 알려진 상당히 일반적인 클래스인 "sub-$\psi$" 과정에 대한 상계에 초점을 맞추며, 이 클래스는 다양한 잘 알려진 꼬리 조건( sub-exponential, sub-Gaussian, sub-gamma, sub-Poisson, 대칭이거나 2차 또는 3차 모멘트가 유계인 등 모멘트 생성 함수가 없는 여러 heavy-tailed 설정을 포함)을 포괄한다. 우리의 결과는 sub-Gaussian 경우에서 de la Peña et al. [20]의 영향력 있는 상계(Abbasi-Yadkori et al. [2]에서 다시 증명됨)를 회수하고 일반화한다. 또한 행렬식 기반 상계와 조건수 기반의 더 최근 상계 사이 문헌의 공백을 메운다. 응용으로, 모멘트 조건(유계성보다 더 일반적인 조건)을 만족하는 확률 벡터에 대한 Bernstein 부등식을 증명하고, 최초로 차원에 무관한 자기정규화 경험적 Bernstein 부등식을 제시한다. 우리의 기법은 집중에 대한 변분적(PAC-Bayes) 접근에 기반한다.