PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.21873v1cs.IT

2성분 서브 가우시안 혼합 모델을 위한 1비트 클러스터링

One-Bit Clustering for Two Component Sub-Gaussian Mixture Models

클러스터링은 통계학과 기계학습에서의 기본적인 문제이다. 우리는 2성분 서브 가우시안 혼합 모델에 대한 최초의 1비트 클러스터링 방법을 제안한다. 이 방법은 디더(dithered) 양자화기를 통해 얻은 각 샘플 항목당 단 1비트만을 사용한다. 클러스터 중심에 대한 완만한 비첨예(non-spikiness) 조건 하에서, Lloyd 알고리즘의 변형이 양자화되지 않은 설정에서의 것과 비교 가능한 신호 대 잡음비(signal-to-noise ratio)에 대해 지수적으로 감쇠하는 오분류율(misclassification rate)을 달성함을 보인다. 이 결과는 더 나아가, 양자화되지 않은 데이터에 대한 최적 임계값을 로그 계수만큼만 초과하는 명시적 분리(separation) 조건 하에서 정확한 복원(exact recovery)을 함의한다. 차원 $p$가 충분히 클 때, 비첨예 조건은 양자화 이전에 Haar 분포 행렬을 사용한 무작위 회전을 적용함으로써 강제할 수 있다. 특히, $n$을 표본 크기(sample size)라 할 때, 부분 복원(partial recovery)에서는 $p \gtrsim 1$일 때, 정확한 복원(exact recovery)에서는 $p \gtrsim \log n \log\log n$일 때 높은 확률로 성립한다. 우리는 또한 미니맥스(minimax) 하한을 확립하여, 오분류율과 분리 조건이 일반적으로 날카로운 상수(sharp constants)를 갖음을 보인다. 수치 결과를 제시하여 이론을 뒷받침하고 제안 방법의 효과를 입증한다.