고차원 가우시안 함수의 베리‑에센 정량적 경계

초록

본 논문은 강한 의존성을 갖는 고차원 비선형 가우시안 함수에 대해 하이퍼‑직사각형 거리 $d_R$, 볼록 집합 거리 $d_{\mathscr C}$, 1‑와샤르스톤 거리 $d_W$에서 명시적인 베리‑에센(Berry–Esseen) 경계를 제시한다. 매끄러움 가정 하에 $d_R$는 차원에 대해 서브‑다항식적, $d_{\mathscr C}$와 $d_W$는 차원에 대해 다항식적 수렴률을 보이며, 이는 i.i.d. 경우를 넘어선 최초의 결과이다. 또한 방법의 모멘트, 경험적 특성함수, 경험적 모멘트생성함수, 고차원 함수극한정리 등 다양한 통계적 예에 적용한다.

상세 분석

논문은 고차원 비선형 함수 $S_n=\frac1{\sqrt n}\sum_{k=1}^n\Phi(G_k)$ 를 다루는데, 여기서 ${G_k}$는 평균 0, 자기상관 함수 $\rho$ 를 갖는 정규 과정이며 $\Phi:\mathbb R\to\mathbb R^d$는 $L^2(\gamma)$에 속하는 측정가능 함수이다. 핵심 가정은 각 좌표 $\phi_i$가 Hermite 차수 $m_i\ge2$를 가지며, Hermite 계수 $a_{i,q}$가 지수적 감소 $|a_{i,q}|\le c\exp(-\kappa q^\beta)$ 를 만족한다는 점이다. $\beta>1$이면 $\psi_{\beta,\kappa}(d)$가 $d$에 대해 서브다항식 성장(예: $\log^{\kappa}d$)을 보이며, 이는 $d_R$ 거리의 차원 의존성을 크게 완화한다. 반면 $\beta=1$이면 로그 차원 의존성이 남는다.

정량적 경계는 Malliavin–Stein 방법론을 기반으로 한다. 먼저 $\Phi(G_k)$를 Hermite 다항식으로 전개하고, 각 차수별로 다변량 Fourth Moment Theorem을 적용한다. 이를 통해 공분산 행렬 $\Sigma_n=\operatorname{Cov}(S_n)$와 목표 정규 변수 $Z_n\sim N(0,\Sigma_n)$ 사이의 차이를 Hilbert–Schmidt 노름, 최대 행렬 원소 차이 등으로 정밀히 제어한다. 특히 $d_R$는 “직사각형 집합”에 대한 최대 차이를 측정하므로, 각 좌표의 마진 분포 차이를 개별적으로 다루는 것이 가능해 차원에 대한 의존성을 $\psi_{\beta,\kappa}(d)$ 로 압축한다.

$d_{\mathscr C}$와 $d_W$는 각각 볼록 집합과 1‑리프시츠 테스트 함수에 대한 차이를 측정한다. 이 경우 차원 의존성은 기본적으로 $d$ 차수의 다항식(예: $d^{1/2}$ 혹은 $d$)으로 나타나며, 이는 $\Phi$의 매끄러움과 무관하게 동일하게 유지된다. 논문은 이러한 차이를 정확히 정량화하여 $C_\theta d^{6/5}$ 형태의 상수와 $n^{-1/2}$ 수렴률을 제시한다.

또한 자기상관 함수 $\rho$가 $\sum_{k\in\mathbb Z}|\rho(k)|^{2}<\infty$ 를 만족하면, $n^{-1/2}$ 와 $\rho_n:=\max_{|k|>n}|\rho(k)|$ 로 표현되는 추가 오차 항이 등장한다. 이는 강한 의존성을 가진 시계열에서도 동일한 정규 근사를 제공한다는 점에서 의미가 크다.

문헌 비교에서는 기존 i.i.d. 고차원 CLT 결과(예: Bentkus, 2003)와 달리, 본 연구는 비독립, 비동일분포 구조를 허용하면서도 명시적인 상수와 차원 의존성을 제공한다. 특히 $d_R$에 대한 서브다항식 경계는 이전에 알려진 결과가 없던 영역이며, 이는 고차원 통계 검정에서 다중 비교 문제를 다룰 때 실용적인 샘플 크기 추정에 직접 활용될 수 있다.

마지막으로, 논문은 방법의 모멘트, 경험적 특성함수, 경험적 모멘트생성함수, 그리고 고차원 함수극한정리와 같은 구체적 응용을 제시한다. 각 예제마다 $\Phi$의 구체적 형태와 Hermite 계수의 감소 속도를 확인하여, 위의 일반 정리를 특수화한 경계를 얻는다. 이는 이론적 결과를 실제 데이터 분석에 바로 연결할 수 있는 중요한 다리 역할을 한다.