재생 커널 힐베르트 공간(RKHS)에서 정규화 M-추정(regularized M-estimation)의 통합 이론을 제시하고, 스펙트럴 복잡도(spectral complexity)에 기반한 편향-분산 분해로 다양한 볼록·비볼록 손실(강건 손실 포함) 하에서 추정량의 존재·수치가능성과 선명한 수렴 속도를 증명한다. 텐서 곱 Sobolev 공간에서는 dominating mixed smoothness와 연결된 새로운 수렴률을 도출해 고차원에서 차원의 저주를 완화하는 이유를 설명한다.
빅데이터 시대에 서브샘플링은 통계적 학습에서 흔한 관행이 되었다. 학습자가 학습에 사용하는 관측치의 하위 집합을 선택하는 서브샘플링은 추정 단계의 계산 비용과 시간을 줄이는 것을 목표하고, 이상적으로는 에너지 소비와 탄소 발자국의 감소로 이어진다. 본 논문은 가설 집합이 재현 커널 힐베르트 공간에 속하는 비모수적 설정에 초점을 맞추며, 추정량은 Horvitz-Thompson 방식으로 재가중된 경험적 위험의 최소화자이다. 이 추정량의 점근적 특성을 연구하여, (공분산 연산자의 trace에 관하여) 최적의 서브샘플링 방안을 밝히고 plug-in 방식으로 사용할 수 있음을 보인다. 합성 및 실제 데이터셋에 대한 수치 연구를 통해 제안 방법의 실용성과 이점을 보여준다.