확률분포 PCA의 희소와 조밀 샘플링 전이

초록

본 논문은 확률분포를 힐베르트 공간에 임베딩한 뒤 표준 PCA를 적용하는 방법을 다룬다. n개의 분포를 각각 m개의 샘플로 관측하는 이중 비대칭 설정에서, 경험적 공분산 연산자와 PCA 초과 위험의 수렴 속도를 $n^{-1/2}+m^{-\alpha}$ 형태로 제시한다. 여기서 $\alpha$는 선택한 임베딩(KME, LOT, SW)에 따라 달라진다. 밀집(regime)과 희소(regime) 두 샘플링 영역 사이의 전이 현상을 규명하고, 밀집 영역에서의 $n^{-1/2}$ 속도가 최소극대(minimax) 최적임을 증명한다. 실험을 통해 이론적 속도가 실제 데이터에서도 확인되며, 적절한 서브샘플링이 계산 비용을 크게 낮추면서도 PCA 정확도를 유지함을 보여준다.

상세 분석

이 논문은 확률측도들을 힐베르트 공간 $H$ 로 임베딩하는 $\Phi$ 를 전제로, 임베딩된 객체들의 공분산 연산자 $\Sigma=E