무한 차원에서의 무작위 SVD와 최적 오류 보장

초록

본 논문은 힐베르트-슈미트 연산자에 대한 무작위 SVD를 기존의 비등방성 가우시안 과정 대신 등방성 가우시안 벡터를 이용해 자연스럽게 확장하고, 오류 경계가 유한 차원 경우와 동일하게 유지됨을 증명한다. 또한 이론적 결과를 이산화와 연결시켜 Wasserstein 거리 수렴을 보이며, SPSD 트레이스 클래스 연산자에 대한 새로운 Nyström 근사법도 제시한다.

상세 분석

논문은 먼저 기존 연구에서 제안된 무한 차원 무작위 SVD가 공분산 연산자 K에 의존하는 비등방성 가우시안 프로세스를 사용함으로써 K와 연산자 A의 오른쪽 특이벡터 사이에 상호작용 상수가 등장하고, K 선택이 부적절하면 오류 상수가 크게 증가한다는 문제점을 지적한다. 이를 해결하기 위해 저자들은 A의 좌측 특이벡터와 특이값을 이용해 공분산 연산자 AA를 정의하고, 이 연산자에 대한 등방성 가우시안 측도 N_{H2}(0,AA)에서 독립적인 샘플을 추출한다. 이렇게 하면 스케치 행렬 Y의 열이 모두 동일한 공분산을 갖는 등방성 무작위 벡터가 되며, K를 선택할 필요가 사라진다. 알고리즘 1은 이 아이디어를 그대로 구현한 것으로, Y를 생성하고 QR 분해를 통해 정규 직교 기저 Q를 얻은 뒤, AQ를 계산해 Q(AQ)^* 형태의 저랭크 근사를 반환한다. 이 과정은 유한 차원 랜덤 SVD와 구조적으로 동일하며, 오류 분석에서도 추가 상수 없이 기존 결과(Theorem 10 in