PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.20082v1math.OC

존 타원체 근사에서 평균화를 넘어서: 레버리지 점수 모델에서의 고정밀 알고리즘

Beyond Averaging in John Ellipsoid Approximation: High-Accuracy Algorithms in the Leverage-Score Model

대칭 다면체(symmetric polytope) $P=\{\mathbf{x}\in\mathbb{R}^d:\|\mathbf{A}\mathbf{x}\|_\infty\le1\}$ ($\mathbf{A}\in\mathbb{R}^{n\times d}$)의 존 타원체(John ellipsoid)는 Cohen, Cousins, Lee 및 Yang (COLT 2019)부터 그 후속작들 [WY24, CLS+25]에 이르는 긴 계보의 레버리지 점수(leverage-score) 알고리즘들을 통해 계산되며, 이들은 모두 $\Theta(\varepsilon^{-1}\log(n/d))$ 반복(iteration) 내에 $(1+\varepsilon)$-근사에 도달합니다. 우리는 이 복잡도를 현대의 연구들이 혼동하는 세 가지 비용(인증(certification), 식별(identification), 정확도(accuracy))으로 분리하고, 역사적인 $\varepsilon^{-1}$ 항이 첫 번째 비용(인증)에만 있음을 밝혀냅니다. 이와 동등한 D-최적 설계(D-optimal-design) 형태 $\min_{\mathbf{p}\in\Delta_n}-\log\det(\sum_i p_i\mathbf{a}_i\mathbf{a}_i^\top)$에서 레버리지 점수 오라클(leverage-score oracle)은 정확히 1차 오라클(first-order oracle)이며, $(1+\varepsilon)$-존 보장은 Frank-Wolfe 간격(Frank-Wolfe gap) $g(\mathbf{p})\le\varepsilon d$에 해당합니다; 이러한 대응 관계를 통해 비용들이 분리됩니다. $\varepsilon^{-1}$은 인증 인공물(artifact)입니다: 해당 계보 전반에 걸쳐 사용되는 인증서인 반복(iterates)의 균일한 평균은 각 반복(iteration)이 얼마나 저렴하게 만들어지든 간에 정확히 $\Theta(1/T)$의 간격을 가집니다. 대신 마지막 반복점(last iterate)을 목표로 삼는다면 동일한 오라클은 빠릅니다: $\varepsilon$와 무관한 설정 $C(\mathbf{A})$ 이후, 웜 스타트된 가속화된 방법은 $C(\mathbf{A})+O(\sqrt{\kappa}\log(1/\varepsilon))$ 번의 질의(query)로 보장 조건에 도달하며, 최적 면(optimal face)이 식별되면 면상 문제(facial problem)는 오라클이 헤시안(Hessian)을 정확히 복원하는 비제약 자기 콩코드 최소화(unconstrained self-concordant minimization)가 되므로 감쇠 뉴턴(damped Newton)은 $O(\log\log(1/\varepsilon))$ 단계만 필요하며, 총 $C(\mathbf{A})+O(d^2\log\log(1/\varepsilon))$ 번의 질의가 소요됩니다. 따라서 정확도 의존성은 $\varepsilon$와 무관하고 조건(condition)에 의존적인 설정 이후 이중 로그(double logarithmic) 형태를 띱니다; 남아있는 개방 문제는 식별 비용(최적 면에 도달하기 위한 조건 무관(condition-free) 상계)과 하한(lower bounds)입니다. 정확도는 장애 요소가 아닙니다.