확률적 접근으로 본 이동 최소제곱법

초록

본 논문은 기존 MLS 이론이 요구하는 quasi‑uniform 샘플 가정이 확률적 i.i.d. 샘플에서는 성립하지 않음을 지적하고, fill‑distance와 separation 거리의 확률적 수렴률을 정량화한다. 이를 바탕으로 MLS 차수 k‑1에 대해 미분 연산자 Q(차수 ≤k‑1)의 근사 오차가 h_n^{k‑|m|} (log n 보정 포함) 로 감소함을 증명하고, MLS 근사함수가 고확률로 C^k 스무스함을 보인다. 마지막으로 이러한 결과를 이용해 무작위 샘플 기반의 매니폴드 재구성 오류가 Hausdorff 거리 기준으로 O_p(h_n^k log n) 로 수렴함을 제시한다.

상세 분석

본 연구는 이동 최소제곱법(Moving Least Squares, MLS)이 기존 결정론적 이론에서 가정하는 fill‑distance h와 separation δ 사이의 상수 비례 관계, 즉 quasi‑uniformity가 i.i.d. 랜덤 샘플에서는 일반적으로 깨진다는 점을 출발점으로 삼는다. 저자들은 먼저 “nicely behaving distribution”(정의 4)이라 명명한, 밀도 함수가 상수 c와 (\bar c) 사이에 한정된 균등형 분포를 가정하고, 이러한 분포 하에서 fill‑distance (h_n)와 separation (\delta_n)의 확률적 위·아래 경계를 각각 (O_p(n^{-1/d}\log^{1/d}n))와 (\Omega_p(n^{-2/d})) 로 엄밀히 도출한다. 이는 기존 MLS 이론이 필요로 하는 (h\asymp\delta) 관계가 무작위 샘플에서는 성립하지 않음을 수학적으로 뒷받침한다.

다음 단계에서는 이러한 거리 추정치를 MLS 근사 오차 분석에 삽입한다. MLS는 가중치 함수 (\theta_h)와 차수 (k-1) 다항식으로 정의되며, 기존 결정론적 결과에 따르면 (f\in C^k)일 때 (|s\text{MLS}f - f|_\infty \le L h^k)가 성립한다. 저자들은 Mirzaei(2015)의 증명을 재구성하면서, 랜덤 샘플에서 기대되는 로컬 포인트 수가 충분히 커짐을 보장하는 Lemma 2와 concentration inequality를 활용한다. 그 결과, 임의의 선형 미분 연산자 (Q) (차수 (|m|\le k-1))에 대해
\