[논문 리뷰] Minimax Estimation of the Volume of a Set with Smooth Boundary

Ery Arias-Castro, Beatriz Pateiro‐López외 1명|arXiv (Cornell University)|2016. 05. 04.

Statistical Methods and Inference참고 문헌 20인용 수 3

한 줄 요약

이 논문은 $\mathbb{R}^d$ 내에서 경계가 매끄러운 컴act한 집합의 부피에 대해 최소최대 최적의 추정기법을 제안한다. 데이터 분할 전략을 사용하여 $\alpha$-볼록 Hull 플러그인 추정기의 편향을 보정한다. $r$-롤링 조건(양의 도약과 동치)을 활용함으로써 최소최대 속도 $n^{-(d+3)/(2d+2)}$를 달성하며, 유도된 하한과 일치한다.

ABSTRACT

We consider the problem of estimating the volume of a compact domain in a Euclidean space based on a uniform sample from the domain. We assume the domain has a boundary with positive reach. We propose a data splitting approach to correct the bias of the plug-in estimator based on the sample alpha-convex hull. We show that this simple estimator achieves a minimax lower bound that we derive. Some numerical experiments corroborate our theoretical findings.

연구 동기 및 목표

• 컴 pact한 집합의 경계가 매끄러운 $\mathbb{R}^d$ 내에서의 부피 추정에 대한 최소최대 하한을 유도하는 것.
• 이 최소최대 속도를 달성하는 편향 보정 부피 추정기 개발.
• $r$-롤링 조건(경계의 양의 도약과 동치) 하에서 이론적 보장을 확립하는 것.
• 신뢰구간 확장과 수치적 검증을 포함한 실용적인 추정기 제공.

제안 방법

• 표본을 두 개의 부분표본으로 분할한다: 하나는 $\alpha$-볼록 Hull $\hat{S}$ 를 구성하는 데, 다른 하나는 $S \setminus \hat{S}$ 의 부피를 추정하는 데 사용된다.
• 부피 추정기는 $\hat{V} = \mu(\hat{S}) / \max(1/2, 1 - \hat{p})$ 로 정의되며, 여기서 $\hat{p}$ 는 두 번째 표본에서 $\hat{S}$ 밖에 있는 점들의 비율이다.
• 이 방법은 $r$-롤링 조건에 의존하며, 이 조건은 $S$ 와 그 여집합이 경계에 접하는 반지름 $r$ 의 구를 모두 포함함을 보장한다.
• 이론적 분석은 피할 수 없는 구의 가족을 사용하여 표본 내 빈 구의 확률를 제한함으로써 농도 경계를 도출한다.
• 가정 $\alpha \in (0,r]$ 와 $\beta \leq m/n \leq 1 - \beta$ 하에서 추정기의 최소최대 속도 $n^{-(d+3)/(2d+2)}$ 를 달성함을 보였다.
• 이 접근법은 신뢰구간을 구성하는 데 유용하며, 수치 실험을 통해 검증되었다.

실험 결과

연구 질문

• RQ1 경계가 매끄러운 컴 pact한 집합의 부피를 $\mathbb{R}^d$ 에서 추정할 때의 최소최대 속도는 무엇인가?
• RQ2 $\alpha$-볼록 Hull 기반의 편향 보정 추정기가 이 최소최대 속도를 달성할 수 있는가?
• RQ3 $r$-롤링 조건(양의 도약)은 부피 추정기의 수렴 속도에 어떤 영향을 미치는가?
• RQ4 데이터 분할 전략은 균일 표본에서의 부피 추정의 편향을 줄이는 데 어떤 역할을 하는가?
• RQ5 제안된 추정기는 유효한 신뢰구간을 제공하도록 확장될 수 있는가?

주요 결과

• 논문은 $r$-롤링 조건을 만족하는 집합에 대해 부피 추정의 최소최대 하한을 $C\delta^2 n^{-(d+3)/(2d+2)}$ 의 순서로 확립한다.
• 제안된 추정기 $\hat{V}$ 는 최소최대 속도 $n^{-(d+3)/(2d+2)}$ 를 달성하며, 하한과 일치한다.
• 가정 $\alpha \in (0,r]$ 하에서 추정기는 강건하며, 이는 $\alpha$-볼록 Hull 이 진짜 집합의 구조를 잘 포착함을 보장한다.
• 이론적 분석은 $\alpha$-볼록 Hull 추정기의 오차가 $O(\textnormal{e}^{-L_1 n \alpha_n^d} + \alpha_n^{-(d-1)/(d+1)} n^{-2/(d+1)})$ 로 감소함을 보여주며, 두 번째 항이 지배한다.
• 데이터 분할 전략은 플러그인 추정기의 편향을 효과적으로 줄이며, 이는 이전에 $O(n^{-2/(d+1)})$ 의 속도에만 도달했음을 고려할 때 특히 중요하다.
• 수치 실험은 이론적 결과를 뒷받침하며, 표준 플러그인 추정기 대비 향상된 수렴을 보여준다.