PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.06384v2math.ST

준가우시안 매개변수(sub-Gaussian parameter)의 추정

Estimation of the sub-Gaussian Parameter

평균이 0인 확률변수 $X$의 준가우시안(sub-Gaussian) 매개변수(분산 대리량(variance proxy)이라고도 함)는 $ξ^2_\star = \sup_{λ\in \mathbb{R}} L(λ)$로 정의되며, 여기서 $L(λ) = \frac{2}{λ^2} \log \mathbb{E} e^{λX}$는 가중 누적생성함수(cumulant generating function)이다. 본 연구는 $ξ^2_\star$의 추정을 다루며, 최소최대 위험(minimax risk)이 분포 $P$의 꼬리 거동(tail behavior)의 영향을 포착하는 비증가 함수 $δ_P(C) = \sup_{|λ| \geq C} L(λ) - \sup_{|λ| \leq C} L(λ)$에 의해 결정됨을 증명한다. 어떤 비증가 함수 $r$에 대해 $δ_P \leq r$을 만족하는 분포 클래스 전체에서, 최소최대 위험은 (곱셈 상수 범위 내에서) $r(\sqrt{\log n}) + n^{-1/2}$로 하한이 주어지고, 임의의 $\varepsilon > 0$에 대해 $r((\log n)^{1/2-\varepsilon}) + n^{-1/2 + \varepsilon}$로 상한이 주어진다. 상한을 달성하는 우리의 추정량은 $L$의 경험적 유사량에 대한 제약 최대화(constrained maximization)에 기반한다. 이 추정량은 거의 최소최대 최적(minimax optimal)이면서 적응적(adaptive)일 뿐만 아니라, 적절한 조건 하에서 점근적으로 정규분포(asymptotically normal)를 따르며, 기저 분포가 준가우시안이 아닌 경우에는 분포 꼬리의 무거움(heaviness)에 의해 결정되는 속도로 발산함을 추가로 증명한다.