[論文レビュー] Structural adaptive deconvolution under $L_p$-losses

Gilles Rebelles|arXiv (Cornell University)|Apr 23, 2015

Statistical Methods and Inference参考文献 22被引用数 4

ひとこと要約

本稿は、誤差密度の特性関数が多項式減衰を示す場合の $L_p$-損失における多次元密度推定に対して、完全にデータ駆動型のカーネルデコンボリューション推定量を提案する。オラクル不等式を確立し、非等方的ニコルスキークラスにおけるミニマックス適応性を証明し、$p \in [2, \infty]$ に対して最適な収束速度を達成するとともに、密度成分の潜在的な独立構造にも自動的に適応する。

ABSTRACT

In this paper, we address the problem of estimating a multidimensional density $f$ by using indirect observations from the statistical model $Y=X+\varepsilon$. Here, $\varepsilon$ is a measurement error independent of the random vector $X$ of interest, and having a known density with respect to the Lebesgue measure. Our aim is to obtain optimal accuracy of estimation under $L_p$-losses when the error $\varepsilon$ has a characteristic function with a polynomial decay. To achieve this goal, we first construct a kernel estimator of $f$ which is fully data driven. Then, we derive for it an oracle inequality under very mild assumptions on the characteristic function of the error $\varepsilon$. As a consequence, we get minimax adaptive upper bounds over a large scale of anisotropic Nikolskii classes and we prove that our estimator is asymptotically rate optimal when $p\in[2,+\infty]$. Furthermore, our estimation procedure adapts automatically to the possible independence structure of $f$ and this allows us to improve significantly the accuracy of estimation.

研究の動機と目的

• 誤差分布の特性関数が多項式減衰を示す場合の $L_p$-損失における多次元密度デコンボリューション問題に対処すること。
• 未知の滑らかさおよびターゲット密度の潜在的独立構造に適応する完全にデータ駆動型のカーネル推定量を開発すること。
• 誤差特性関数にやや弱い仮定を置くことで、推定精度の最適性を保証するオラクル不等式を確立すること。
• 広範な非等方的ニコルスキー関数空間クラスにおけるミニマックス適応上界を導出すること。
• $p \in [2, \infty]$ に対して推定量の漸近的レート最適性を証明すること。

提案手法

• データ駆動型帯域幅選択手順を用いて、カーネルベースのデコンボリューション推定量を構築する。
• 誤差分布の特性関数に弱い条件を置いたもとで、推定量に対するオラクル不等式を導出する。
• 積核でインdex付けられた経験過程の濃度不等式とモーメントバウンドを用いて推定誤差を制御する。
• 座標の部分集合上で分割に基づくアプローチを用いて独立構造を統合し、適応的スムージングを可能にする。
• 非等方的滑らかさに対応するため、部分集合 $I \in \mathcal{I}_d^\diamond$ でインデックス付けられた帯域幅の族を用いた局所化技術を適用する。
• チェイング論法とスープノルムモーメントバウンドを用いて、帯域幅空間上の経験過程の上界を制御する。

実験結果

リサーチクエスチョン

• RQ1 誤差特性関数が多項式減衰を示す場合に、完全にデータ駆動型のカーネル推定量が、多次元デコンボリューションにおいて最適な $L_p$-リスクレートを達成できるか。
• RQ2 推定量が未知の滑らかさおよびターゲット密度の潜在的独立構造にどのように適応できるか。
• RQ3 非等方的ニコルスキークラスにおける $L_p$-損失の下でのデコンボリューションのミニマックスレート収束は何か。
• RQ4 提案された推定量が $p \in [2, \infty]$ に対して最適な収束速度を達成するか。
• RQ5 誤差特性関数に最小限の仮定を置いたもとで、オラクル不等式を確立できるか。

主な発見

• 提案された推定量は、誤差特性関数にやや弱い仮定を置いたもとでオラクル不等式を達成し、近似的に最適な性能を保証する。
• 広範な非等方的ニコルスキークラスにおいて、推定量はミニマックス適応的であり、収束速度が既知のミニマックス下界と一致する。
• $p \in [2, \infty]$ の場合、推定量は漸近的にレート最適であり、ミニマックスレート $n^{-\frac{\tau}{2\tau+1}}$ を達成する。ここで $\tau = \left[\sum_{j=1}^d \frac{2\lambda_j + 1}{\beta_j}\right]^{-1}$ である。
• この手法は密度の独立構造を自動的に適応し、高次元設定における推定精度を著しく向上させる。
• 経験過程のモーメントバウンドはチェイング論法と濃度不等式を用いて導出され、帯域幅空間全体にわたる一様制御が可能になる。
• 有限標本性能は $n^{-1/2}$ を含む非漸近的バウンドによって制御され、定数は次元と滑らかさパラメータに依存する。