다중스케일 단일 인덱스 모델(MSIM)을 계층적 특징 학습의 이론적 틀로 분석하여, Edgeworth 전개를 통한 위너 카오스(Wiener chaos)의 세밀한 저랭크 구조를 규명하고 얕은 네트워크 대비 깊이의 이점을 정량화한다. 상관 목적함수에 대한 온라인 SGD가 $n = \widetilde{O}(d^{K-1})$ 샘플로 $1 - o_d(1)$ 복원을 달성함을 증명하며, 이는 선형 모델인 Tensor PCA와 동일한 샘플 복잡도임을 보인다.
이 논문은 구면 위의 Kostlan--Shub--Smale (KSS) 랜덤 필드의 상한(supremum)에 대한 명시적이고 비점근적인 꼬리 바운드의 계층 구조를 구축하고, 이를 Spiked 텐서 PCA와 구면 $k$-스핀 모델의 랜드스케이프(landscape)라는 두 가지 문제에 적용합니다. 텐서 PCA의 경우, 신호 대 잡음비(SNR) $\lambda$에서 단일 가우시안 관측치로부터 차수 $k \ge 3$ 및 차원 $d \ge 3$인 랭크-$R$ 대칭 신호 텐서를 추정하는 비점근적 통계적 한계를 연구합니다. 이는 코히어런스(coherence)가 최소 $\kappa$인 정규화된 랭크-$R$ 텐서로 제한된 최대 가능도 추정기(MLE)인 *프로필 최대 가능도 추정기(profile maximum likelihood estimator)*를 통해 수행됩니다. 우리의 분석은 단일 축소(reduction)를 사용합니다: 결정론적 기하학적 부등식(튜브 방법)과 랭크 축소 단계는 추정 오차를 정준 KSS 필드의 상한으로 제한합니다. Kac--Rice 공식은 이를 이동된 가우시안 직교 앙상블(Gaussian Orthogonal Ensemble)의 기대 절대 특성 다항식에 대한 가우시안 적분으로 변환하며, 이는 다시 우리 계층 구조의 네 가지 명시적 꼬리 바운드(세 개는 Mehta--Fyodorov 표현에서, 하나는 Ben Arous--Dembo--Guionnet 대편차(large deviation)에서)에 의해 제어됩니다. 동일한 축소를 통해 명시적인 상수를 포함하는 두 가지 결과를 얻습니다. 추정의 경우, 유한-$(k,d)$ 오차 바운드는 랭크 $R$과 코히어런스 $\kappa$에 대한 명시적인 의존성과 함께 Perry, Wein 및 Bandeira의 점근적으로 최적의 속도 $\sqrt{d\log k}$를 복원합니다. 랜드스케이프의 경우, 구면 $k$-스핀 해밀토니안의 소킹(annealed) 복잡도에 대한 양측 비점근적 바운드는 고차원 한계(high-dimensional limit)에서 Auffinger--Ben Arous--Černý 복잡도 함수를 복원합니다.