한 샘플로 리프시츠 연속 함수 평균 추정

본 논문은 “단일 샘플만으로 리프시츠 연속 함수의 평균값을 추정하는 최적 전략”이라는 문제를 정의하고, 이를 수학적으로 정형화한다. 함수 \(f\)는 메트릭 공간 \((M,d)\) 위에서 1‑리프시츠 연속이며, 평균 \(\bar f=\int_M f(x)dx\) 를 추정한다. 알고리즘은 (1) 확률분포 \(p\) 에 따라 점 \(x\) 를 샘플링하고, (2) 관측값 \(f(x)\) 를 이용해 추정값 \(g(x,f(x))\) 를 출력한다. 목표는 최악의 함수에 대해 기대 오차 \(E_w(p,g)=\sup_{f\in L}\int_M p(x)\,|\,\bar f-g(x,f(x))\,|dx\) 를 최소화하는 것이다. 첫 번째 주요 결과는 사후 처리 함수 \(g\) 를 관측값 자체인 신원 함수(id)로 제한해도 최적성에 손실이 없다는 정리이다. 이를 위해 함수들의 등가 클래스(수직 이동 및 반사) 개념을 도입하고, 야오의 Minimax 원리를 두 번 적용한다. 결과적으로 최적화 문제는 “최적 분포 \(p\) 찾기”로 단순화된다. 다음으로, 이산 메트릭 공간(크기 \(n\)인 유한 집합)에서 문제를 무한 제약을 가진 선형계획(LP) 형태로 기술한다. 변수는 각 점의 샘플링 확률 \(p_x\)와 오차 상한 \(Z\)이며, 제약은 모든 1‑리프시츠 함수 \(f\)에 대해 \(\sum_x p_x|\,\bar f-f(x)\,|\le Z\) 를 만족해야 한다. 직접 풀면 제약이 무한히 많으므로, 저자들은 \(\delta\)-그리드 기반 근사 집합 \(Q_\delta\) 를 정의해 제약을 유한화한다. 이때 근사 분리 오라클을 설계해 주어진 후보 해가 위반하는 제약을 효율적으로 찾는다. 공간의 doubling 차원 \(\beta\) 가 상수이면, 근사 LP의 크기가 \(\operatorname{poly}(n,1/\delta)\) 로 제한되어, PTAS(Polynomial‑Time Approximation Scheme)를 얻는다. 즉, 임의의 \(\varepsilon>0\)에 대해 \((1+\varepsilon)\)‑근사 해를 다항 시간에 구할 수 있다. 특수 경우인 1차원 구간 \(