비로그볼록 분포의 샘플링 효율 향상과 함수 불평등 연구

초록

본 논문은 잠재함수 V가 L‑smooth하고 두 번째 모멘트가 유한한 비로그볼록 분포 μ에 대해, Ornstein‑Uhlenbeck 과정 전 단계에서 V가 L‑smooth인 가정(1*)을 추가하면 샘플링 쿼리 복잡도가 다항시간으로 감소함을 보인다. 또한 (1*)와 λ‑sub‑Gaussian 모멘트 가정을 함께 만족할 때 μ의 Poincaré 상수와 수정된 로그‑Sobolev 상수를 명시적으로 제한한다.

상세 분석

논문은 기존의 최소 가정(1)·(2)만으로는 샘플링 복잡도가 ((LM/(d\varepsilon))^{\Omega(d)}) 수준으로 지수적으로 증가한다는 He‑Zhang(2025)의 하한 결과를 출발점으로 삼는다. 여기서 핵심적인 새로운 가정은 (1*)—즉, μ에서 시작한 Ornstein‑Uhlenbeck(OU) 과정의 모든 시점 t에 대해 잠재함수 (-\log \xi_{OU}^t)가 L‑smooth하다는 조건이다. 이 가정은 OU 과정이 진행됨에 따라 분포가 점차 ‘부드러워지는’ 구조적 특성을 내포한다는 점에서, 단순히 V 자체가 L‑smooth인 가정(1)보다 훨씬 강력하지만, 실제 많은 확산 기반 샘플러가 암묵적으로 요구하는 전제와 일치한다.

저자들은 이 가정을 활용해 제한된 가우시안 역학(restricted Gaussian dynamics, RGD)이라는 프로시멀 샘플러를 설계한다. RGD는 매 단계에서 현재 상태 (Y_k)에 가우시안 잡음을 더한 뒤, 조건부 분포 (\nu_T(\cdot\mid \hat Y_k))에서 샘플을 다시 추출한다. 핵심 분석은 두 가지 측면에서 이루어진다. 첫째, 이 마크오프 체인의 Poincaré 상수를 평가해 변분적 수렴 속도를 확보한다. 여기서는 stochastic localization 과정과 OU 과정 사이의 스케일 변환 관계를 이용해, 조건 1(공분산 상한·하한) 하에서 변분이 거의 보존된다는 정리를 증명한다. 둘째, ‘늦은 초기화(late initialization)’와 ‘3단계 연결(concatenation)’ 기법을 도입해 초기 단계에서 발생하는 발산 적분 (\int_0^T \frac{1+L_s}{s(1+s)}ds) 를 회피한다. 구체적으로, 아주 작은 (s_0)에서 시작해 초기 분포를 거의 가우시안으로 근사하고, 이후 구간 (