[論文レビュー] Monte Carlo integration of non-differentiable functions on $[0,1]^\iota$, $\iota=1,\dots,d$ , using a single determinantal point pattern defined on $[0,1]^d$

Jean‐François Coeurjolly, Adrien Mazoyer+1 more|arXiv (Cornell University)|Feb 28, 2020

Point processes and geometric inequalities参考文献 31被引用数 1

ひとこと要約

本稿では、[0,1]^d 上の非微分可能関数のモンテカルロ積分を実行するために、ディリクレ核を用いた単一の確定的ポイントプロセス（DPP）を提案する。DPPの反発性を活用することで、正則性 s > 0 のソボレフ空間に属する関数に対して、分散の減少率が N^{-1-(2s∧1)/d} となる。また、s > 1/2 のとき中心極限定理が成り立ち、複数の変数部分集合における積分に効率的かつ再利用可能な求積ノードが得られる。

ABSTRACT

International audience

研究の動機と目的

• 任意の ι 次元部分集合（ι ≤ d）における積分を推定するための、[0,1]^d 内に1つの再利用可能な N 個の求積ノードを構築すること。
• 特に微分可能性の仮定を最小限に抑えつつ、分散と収束に関する理論的保証を維持すること。
• 繰り返しの周辺積分が必要な高次元設定（例：コンピュータ実験や感度分析）において、効率的な積分を可能とすること。
• 最小限の正則性を仮定したソボレフ空間に属する被積分関数に対して、収束速度と漸近正規性の理論的評価を確立すること。

提案手法

• 方法は、Z^d 内の長方形インデックス集合のフーリエ展開から導かれるディリクレ核に基づく射影 DPP を用いる。
• 求積ノード {u1, ..., uN} は、次元 d において一度だけこの DPP から抽出され、反発的かつ均等に配置された設計を形成する。
• 積分推定器は、f の構造や特異性に依存しない、DPP ノード上での f の経験的平均である。
• 理論的分析は、DPP カーネルのスペクトル分解と性質に依存し、f のフーリエ係数の L2 ノルムに基づいて分散を評価する。
• この手法により、同じ点集合を任意の ι 次元部分空間に射影することで、[0,1]^ι 上の積分推定が可能になる。
• 座標の反転に対して不変であるため、u と 1−u を用いる単純な反義バージョンが可能であり、収束速度に影響を与えずに分散を低減できる。

実験結果

リサーチクエスチョン

• RQ1 [0,1]^d 内の単一の DPP ベースの点集合を、被積分関数に最小限の仮定を置いた状態で、任意の ι 次元部分空間における積分推定に再利用可能か？
• RQ2 被積分関数が非微分可能である場合、DPP を用いたモンテカルロ積分の分散減少の最適レートは何か？
• RQ3 被積分関数が f ∈ H^s([0,1]^d) で s > 1/2 のような弱い正則性条件下でも、DPP 推定器は中心極限定理を満たすか？
• RQ4 1つの DPP 実現から漸近分散 σ²(f) を一貫して推定することは可能か、それとも根本的に不可能か？
• RQ5 実際の応用において、DPP 法は、標準モンテカルロ法、準モンテカルロ法、またはラテンハイパーボリューム設計と比較して、変数部分集合の積分においてどのように性能を発揮するか？

主な発見

• ソボレフ空間 H^s([0,1]^d) に属する関数（s > 0）に対して、DPP ベースの推定器の分散は O(N^{-1-(2s∧1)/d}) のオーダーで減少する。
• s > 1/2 のとき、推定器は中心極限定理を満たし、漸近正規性により有効な推論が可能になる。
• f が非微分可能であっても、滑らかさがある程度ある関数に対して、標準モンテカルロ法（O(N^{-1})）よりも優れた収束速度を達成する。
• 同じ DPP 実現を、[0,1]^d の任意の ι 次元部分空間に射影することで、効率的な感度分析が可能になる。
• 反義バージョンでは、分散式における |f̂(j)|² を Re(f̂(j))² に置き換えることで、漸近分散が低減される。
• 理論的利点は明確であるが、1つの DPP サンプルから漸近分散 σ²(f) を一貫して推定することは、未解決の課題のままである。