Hilbert 공간에서 분포 수렴을 측정하는 거리의 한계

초록

본 논문은 Schatten‑p 노름을 이용해 정의된 Sobolev형 확률 거리 ρₚ(p∈

상세 분석

논문은 먼저 기존 연구에서 사용된 거리 d₂(=ρ₂)를 일반화하여, 두 번째 프레셰 미분이 Schatten‑p 클래스에 속하는 함수들의 집합 Fₚ를 통해 정의된 거리 ρₚ를 소개한다. 핵심 아이디어는 테스트 함수의 두 번째 미분 연산자를 연산자 노름 ‖·‖ₚ로 제한함으로써, 거리의 강도를 조절하는 것이다. 저자들은 ρₚ가 p<∞일 때는 연산자 공간 L(K,K)의 유계 연산자와 컴팩트 연산자 사이의 위상적 차이 때문에, Fₚ가 충분히 풍부하지 못해 지표 함수들의 근사에 실패한다는 점을 지적한다. 구체적으로, Lemma 2에서 무한 차원 Hilbert 공간 K에 대해 부드러운 방사형 함수 f(x)=ψ(‖x−y‖²)의 두 번째 미분이 컴팩트 연산자가 되려면 ψ가 상수여야 함을 보이며, 이는 Fₚ가 ρ_∞가 허용하는 테스트 함수들을 근사할 수 없음을 의미한다. 이를 바탕으로 Theorem 1을 증명한다. 증명은 가우시안 무한 차원 랜덤 변수 Xₙ= n^{-1/2}∑{i=1}^n g_i e_i (g_i는 i.i.d. 표준 정규)와 영변수 Z를 비교한다. 공분산 연산자 Sₙ은 순위 n의 투영 연산자에 1/n 스케일을 곱한 형태이며, Schatten‑q 노름(1/p+1/q=1)에서 ‖Sₙ‖q→0이지만 ‖Sₙ‖{HS}=1로 남는다. Proposition 2에 의해 ρₚ(Xₙ,Z)→0이지만, Proposition 1에 의한 가우시안 수렴 기준에 따르면 Xₙ는 Z로 분포 수렴하지 않는다. 따라서 ρₚ는 p<∞에 대해 메트라이징 속성을 상실한다. 반면 p=∞인 경우 q=1이 되어 ‖Sₙ‖₁=1을 유지하므로 위 모순이 발생하지 않으며, 기존 결과와 일치한다. 논문은 또한 기존 문헌에서 d₂가 ρ∞와 혼동된 사례를 지적하고, 그로 인해 발생한 오류들을 정정한다. 전체적으로, Schatten‑p 노름을 이용한 Sobolev형 거리의 선택이 무한 차원 확률론적 분석에 미치는 영향을 정확히 규명하고, p=∞가 유일하게 강력한 메트라이징을 제공한다는 결론을 도출한다.