이산 분포의 형태 제한 검증: 통합 알고리즘과 최적 샘플 복잡도

**1. 연구 배경 및 문제 정의** 통계·머신러닝에서 데이터가 특정 구조(예: 단조성, 로그‑볼록성 등)를 가진다고 가정하면 학습·추정이 크게 간소화된다. 그러나 실제 데이터가 이러한 가정을 만족하는지 검증하는 “형태 제한 테스트”는 아직 충분히 체계화되지 않았다. 본 논문은 임의의 이산 분포 D에 대해, 샘플만으로 D가 주어진 클래스 𝒫에 속하는지, 혹은 ℓ₁ 거리 기준으로 ε 이상 멀리 떨어져 있는지를 구분하는 문제를 다룬다. **2. 기존 연구와 한계** 이전에는 단조성 테스트(BKR04), 포아송 이항 분포 테스트(AD15), t‑히스토그램 테스트(ILR12) 등 개별 클래스에 대해 별도 알고리즘과 복잡도 분석이 이루어졌다. 그러나 이러한 결과들은 클래스마다 다른 기법을 필요로 했으며, 일반적인 프레임워크가 부재했다. 또한 하한 증명도 개별적으로 수행돼 통합적인 이해가 어려웠다. **3. 핵심 아이디어: 간결성(Succinctness)와 Test‑Splittable** 논문은 **간결성**이라는 구조적 속성을 도입한다. 정의에 따르면, 클래스 𝒞에 속하는 모든 분포 D는 ℓ₂‑노름 기준으로 **소수의 구간**에 걸쳐 상수 밀도로 근사될 수 있다. 이때 구간 수는 O(√n·poly(1/ε)) 수준이다. 이 속성만 만족하면, 구체적인 구간 구성을 알 필요 없이 **Test‑Splittable** 알고리즘을 적용할 수 있다. **4. 알고리즘 설계** Test‑Splittable는 다음 단계로 진행한다. 1. **구간 분할**: 샘플을 이용해 도메인