[논문 리뷰] A remark on the minimal dispersion

Alexander E. Litvak|arXiv (Cornell University)|2020. 05. 25.

Mathematical Approximation and Integration참고 문헌 12인용 수 5

한 줄 요약

이 논문은 축에 평행하는 상자 신규 구성과 수정된 균일 분포를 사용한 랜덤 포인트 선택 전략을 통해 단위 입방체와 토러스에서 점 집합의 최소 산산분열에 대한 상한을 향상시킨다. 주요 결과는 비주기적 설정에서 로그 인자에 대해 거의 최적임을 보여주는 $\exp\left(\frac{9\ln(1/\varepsilon)\ln(18d)}{\varepsilon}\right)$의 크기를 가진 $(1/2)$-dinet에 대한 near-optimal bound를 도출한다.

ABSTRACT

We improve known upper bounds for the minimal dispersion of a point set in the unit cube and its inverse in both the periodic and non-periodic settings. Some of our bounds are sharp up to logarithmic factors.

연구 동기 및 목표

• d차원 단위 입방체와 토러스에서 점 집합의 최소 산산분열에 대한 기존 상한을 향상시키는 것.
• n과 d가 동시에 증가할 때 역 산산분열 함수 $N(\varepsilon,d)$ 의 행동을 분석하는 것 — 한 변수를 고정하지 않고.
• 랜덤 포인트 선택 프레임워크 내에서 더 엄밀한 확률적 분석이 가능한 축에 평행하는 상자에 대한 새로운 구성 방법 개발.
• 특히 $\varepsilon$가 $d$에 비해 매우 작지 않은 영역에서 최소 산산분열에 대해 거의 날카로운 상한을 확립하는 것.
• 주기적(토러스) 설정으로 분석을 확장하고 비주기적 경우와 상한을 비교하는 것.

제안 방법

• 길이가 $1-\varepsilon$ 이상인 간격으로 매핑하는 함수 $\phi_\varepsilon$ 를 도입하여, 긴 간격을 높은 확률로 근사화할 수 있도록 한다.
• 크기가 $m \approx \frac{\ln(1/\varepsilon)}{\varepsilon}$ 인 부분집합 $A \subset [d]$ 에 대한 $m$-차원 넷을 조합하여 $(1/2)$-dinet $\mathcal{N}$ 을 구성한다.
• 모든 $m$-부분집합 $A \subset [d]$ 에 대한 합집합을 적용하여 긴 간격의 가능한 모든 구성에 대한 커버리지 확보 — 대용량 상자 커버리지 보장.
• Modified uniform distribution 을 $[0,1]^d$ 에 적용한 $\phi_\varepsilon$ 를 통해 확률적 추론을 적용하여, 랜덤 포인트 세트가 높은 확률로 산산분열 조건을 만족함을 보여준다.
• 기존의 $m$-차원 산산분열에 대한 상한을 활용한 $m$-차원 부분공간에서의 넷의 재귀적 구성.
• 간격 길이의 순열 $\sigma$ 를 사용하여 $m$개의 가장 긴 간격을 우선순위화함으로써, $A^\sigma$ 에 투영된 상자가 체적의 상당 부분을 포괄하도록 보장한다.

실험 결과

연구 질문

• RQ1 n과 d가 동시에 증가할 때 최소 산산분열 $\mathrm{disp}^*(n,d)$ 에 대한 가능한 최상의 상한은 무엇인가?
• RQ2 특히 $\varepsilon \geq \frac{\ln^2 d}{d}$ 인 영역에서 이전 결과보다 더 엄밀하게 역 산산분열 함수 $N(\varepsilon,d)$ 를 상한으로 제한할 수 있는가?
• RQ3 $(1/2)$-dinet 의 구성이 고차원에서 랜덤 포인트 세트의 분석을 어떻게 향상시키는가?
• RQ4 함수 $\phi_\varepsilon$ 는 입방체 내 긴 간격에 대한 더 나은 농도 상한을 가능하게 하는 데 어떤 역할을 하는가?
• RQ5 비주기적 및 주기적 설정에서 신규 상한이 로그 인자에 대해 얼마나 날카로운가?

주요 결과

• 논문은 비주기적 설정에서 $(1/2)$-dinet 의 크기에 대해 $\exp\left(\frac{9\ln(1/\varepsilon)\ln(18d)}{\varepsilon}\right)$ 의 새로운 상한을 확립하며, 이는 $N(\varepsilon,d)$ 에 대한 해당 상한을 암시한다.
• 이 상한은 로그 인자에 대해 거의 날카로우며, $\varepsilon \geq \frac{\ln^2 d}{d}$ 인 영역에서 Sosnovec–Ullrich–Vybíral 의 상한 $\frac{2^7}{\varepsilon^2} \left(\log_2(1/\varepsilon)\right)^2 \log_2 d$ 보다 향상된다.
• $\varepsilon \geq \frac{C \ln^2 d}{d}$ 인 경우, 새로운 상한은 $\frac{8d}{\varepsilon} \log_2(33/\varepsilon)$ 의 Rudolf 상한보다 $\varepsilon$ 에 대한 더 우수한 의존성 보여, $\varepsilon$ 에 대한 더 나은 종속성을 확보한다.
• $(1/2)$-dinet 의 구성은 임의의 체적이 $\varepsilon$ 이상인 상자 $B$ 에 대해, $|B_0| \geq \frac{1}{2}|B|$ 이고 $\phi_\varepsilon(z) \in B$ 를 모든 $z \in B_0$ 에 대해 만족하는 $B_0 \in \mathcal{N}$ 이 존재함을 보장한다.
• 부분집합 선택, $\sigma$ 를 통한 간격 우선순위 부여, 그리고 긴 간격을 다루기 위해 철저히 설계된 $\phi_\varepsilon$ 를 조합함으로써 near-optimality 를 달성한다.
• 분석은 $\phi_\varepsilon$ 를 통해 수정된 균일 분포로 추출된 랜덤 포인트 세트가 높은 확률로 원하는 산산분열 상한을 달성함을 확인한다.