[논문 리뷰] Infinite-Dimensional Quadrature and Quantization

Steffen Dereich, Thomas Mueller-Gronbach외 1명|ArXiv.org|2006. 01. 11.

Mathematical and Theoretical Analysis참고 문헌 27인용 수 5

한 줄 요약

이 논문은 무한차원 바나흐 공간 위의 리프시츠 함수성에 대한 수치적 적분에 대해 결정론적 및 랜덤화 알고리즘을 사용할 때 최악의 오차에 대한 날카로운 경계를 설정하며, 적분 성능을 기능적 양자화와 콜모고로프 너비와 연결한다. 랜덤화는 확산 과정과 가우시안 측도에 대해 수렴 속도를 크게 향상시키며, 로그 인자까지 고려할 때 거의 최적의 오차 경계를 달성한다.

ABSTRACT

We study numerical integration of Lipschitz functionals on a Banach space by means of deterministic and randomized (Monte Carlo) algorithms. This quadrature problem is shown to be closely related to the problem of quantization of the underlying probability measure. In addition to the general setting we analyze in particular integration w.r.t. Gaussian measures and distributions of diffusion processes. We derive lower bounds for the worst case error of every algorithm in terms of its computational cost, and we present matching upper bounds, up to logarithms, and corresponding almost optimal algorithms. As auxiliary results we determine the asymptotic behaviour of quantization numbers and Kolmogorov widths for diffusion processes.

연구 동기 및 목표

• 무한차원 바나흐 공간 위의 리프시츠 함수성에 대한 수치적 적분의 계산 복잡도를 분석하기 위해.
• 결정론적 및 랜덤화 알고리즘에 대한 최악의 오차에 대해 날카로운 하한 및 상한을 설정하기 위해.
• 적분 성능을 기본 측도의 기능적 양자화와 콜모고로프 너비와 연결하기 위해.
• 가우시안 측도 및 확산 과정에 대한 통합을 위한 거의 최적의 알고리즘을 유도하기 위해.
• 확산 과정에 대해 양자화 수와 콜모고로프 너비의 渐近적 행동을 규명하기 위해.

제안 방법

• 함수 값에 대한 오рак루에 액세스할 수 있는 실수 모델을 사용하며, 비용은 부분공간의 차원으로 측정한다.
• 최악의 경우 분석을 적용하여 결정론적 및 랜덤화 알고리즘의 최소 오차를 계산 비용 $N$ 으로 경계한다.
• 효율적인 랜덤화 알고리즘을 구성하기 위해 측도 $\mu$ 의 기능적 양자화에 의존한다.
• 몬테카를로 적분에서 기대 오차를 제어하기 위해 평균 선형 폭과 근사 체계 $\widehat{X}^{(k)}$ 를 활용한다.
• 가우시안 측도에 대해 작은 구역 함수 $\varphi(\varepsilon) \asymp \varepsilon^{-\alpha} (\ln \varepsilon^{-1})^\beta$ 를 포함하는 부등식을 통해 오차 경계를 도출한다.
• 약한 오일러 스킴과 유한차원 부분공간에서의 표본 추출에 기반한 랜덤화 알고리즘을 구성하며, 비용 $\preceq N$ 에 대해 $n$ 과 $k$ 를 최적화한다.

실험 결과

연구 질문

• RQ1 무한차원 적분 문제에서 결정론적 및 랜덤화 알고리즘의 최적 수렴 속도는 무엇인가?
• RQ2 확산 과정과 가우시안 측도의 맥락에서, 랜덤화 알고리즘의 성능은 결정론적 알고리즘보다 어떻게 비교되는가?
• RQ3 적분 오차와 기본 측도의 양자화 수 또는 콜모고로프 너비 사이의 관계는 무엇인가?
• RQ4 작은 구역 확률과 근사 오차의 渐진적 행동은 수렴 속도에 어떻게 영향을 미치는가?
• RQ5 가우시안 측도 및 확산 과정에 대한 통합을 위한 거의 최적의 알고리즘을 구성할 수 있는가?

주요 결과

• 확산 과정에 대해 결정론적 알고리즘의 최악의 오차는 $\varepsilon_N^{\mathrm{det}} \succeq (\ln N)^{-1/2}$ 를 만족하며, 이는 비가역성을 시사한다.
• 확산 과정에 대한 랜덤화 알고리즘의 경우 $N^{-1/4} \cdot (\ln N)^{-3/4} \preceq \varepsilon_N^{\mathrm{ran}} \preceq N^{-1/4} \cdot (\ln N)^{1/4}$ 를 만족하며, 상한은 약한 오일러 스킴에 의해 달성된다.
• 작은 구역 함수 $\varphi(\varepsilon) \asymp \varepsilon^{-\alpha} (\ln \varepsilon^{-1})^\beta$ 를 가진 가우시안 측도에 대해, 랜덤화 오차는 B-볼록성 조건 하에 $\varepsilon_N^{\mathrm{ran}} \preceq N^{-1/(2+\alpha)} \cdot (\ln N)^{\beta/(2+\alpha)}$ 를 만족하며, 일반적으로는 $\preceq N^{-1/(2+\alpha)} \cdot (\ln N)^{-(2+2\alpha-\alpha\beta)/(\alpha(2+\alpha))}$ 로 향상된다.
• 구성된 랜덤화 알고리즘 $\widehat{S}_N$ 은 비용 $\preceq N$ 으로 오차 $e(\widehat{S}_N) \preceq N^{-1/(2+\alpha)} \cdot (\ln N)^{\beta/(2+\alpha)}$ 를 달성하며, 로그 인자까지 고려한다.
• C([0,1]) 위의 분수 차수 브라운 운동에 대해 $\alpha = 1/H$ 이며, 오차율은 $d$-차원 시트에 대해 $N^{-1/(2+1/H)} \cdot (\ln N)^{H(d-1)+d/2}$ 가 된다.
• 이 알고리즘은 거의 최적이며, 무한히 많은 $N$ 에 대해 $e(\widehat{S}_N) \leq c \cdot \varepsilon_N^{\mathrm{ran}} \cdot (\ln N)^{1+2/(\alpha(2+\alpha))} \cdot (\ln\ln N)^{-2\beta/(\alpha(2+\alpha))}$ 를 만족한다.