[논문 리뷰] On lower bounds for the L_2-discrepancy

Aicke Hinrichs, Lev Markhasin|arXiv (Cornell University)|2010. 10. 07.

Mathematical Approximation and Integration참고 문헌 7인용 수 6

한 줄 요약

이 논문은 헤어 정규직교 기저를 사용한 푸리에 분석을 통해 $d$-차원 단위입방체 내 $N$-점 집합의 $L_2$-불일치에 대한 향상된 하한을 확립한다. 불일치 함수의 헤어 계수를 분석하고 파르세발 항등식을 적용함으로써, 두 차원의 경우 날카운 상수 $c = \frac{7}{216\sqrt{\log 2}} \approx 0.038925$를 도출한다. 이는 이전의 하한을 크게 향상시키며, 최고의 알려진 상한과의 격차를 완전히 해소한다.

ABSTRACT

The L_2-discrepancy measures the irregularity of the distribution of a finite point set. In this note we prove lower bounds for the L_2 discrepancy of arbitrary N-point sets. Our main focus is on the two-dimensional case. Asymptotic upper and lower estimates of the L_2-discrepancy in dimension 2 are well-known and are of the sharp order sqrt(log N). Nevertheless the gap in the constants between the best known lower and upper bounds is unsatisfactory large for a two-dimensional problem. Our lower bound improves upon this situation considerably. The main method is an adaption of the method of K. F. Roth using the Fourier coefficients of the discrepancy function with respect to the Haar basis.

연구 동기 및 목표

• 두 차원에서 알려진 하한과 상한 사이의 지속적인 격차를 메우기 위해.
• 구역 $[0,1)^2$ 내 $N$-점 집합에 대해 渐近 하한 $\|D_{\cal P}\|_{L_2} \geq c\sqrt{\log N}$ 의 정량적 상수 $c$ 를 향상시키기 위해.
• 향상된 하한을 가중치가 있는 $L_2$-불일치 및 고차원 경우($d > 2$)로 확장하기 위해.
• 헤어 웨이블릿 계수와 파르세발 항등식을 활용해 로스의 고전적 방법을 정교화하여 보다 날카운 추정치를 도출하기 위해.

제안 방법

• 모든 $L_2([0,1)^d)$ 에서의 정규직교 헤어 기저를 사용하여 불일치 함수를 표현하고, 그 헤어 계수를 계산한다.
• 파르세발 항등식을 적용하여 불일치 함수의 $L_2$-노름을 헤어 계수의 제곱합으로 표현한다.
• 점 집합 $\mathcal{P}$ 의 점을 포함하지 않는 이차 정사각형 $I_{j,m}$ 를 식별하여, 불일치 함수의 비영 헤어 계수를 확보한다.
• 특성 함수 $\mathbbm{1}_{C_z}$ 와 함수 $x_1\cdots x_d$ 의 헤어 계수에 대한 명시적 공식을 사용하여 $\mu_{j,m}(D_{\mathcal{P}})$ 를 계산한다.
• 기하급수와 渐近 분석을 활용하여, 빈 이차 상자에 대응하는 헤어 계수의 제곱합을 통해 $L_2$-노름을 아래로부터 추정한다.
• 최적화 단계에서 $y = N2^{-M}$ 에 대한 이차 함수를 최대화함으로써, 유도된 하한 표현을 최적화하여 최선의 상수 $c_d$ 를 도출한다.

실험 결과

연구 질문

• RQ1 모든 $N$-점 집합에 대해 $\|D_{\mathcal{P}}\|_{L_2} \geq c\sqrt{\log N}$ 이 성립하는 데 있어 최고의 상수 $c$ 는 무엇인가?
• RQ2 로스의 방법을 헤어 웨이블릿 분석으로 정교화한 방법이, 이전에 알려진 것보다 더 날카운 $L_2$-불일치 하한을 도출할 수 있는가?
• RQ3 무게가 없는 $L_2$-불일치에 대한 향상된 하한이 가중치가 있는 불일치 설정으로 확장되는가?
• RQ4 불일치 하한의 상수는 차원 $d$ 에 따라 어떻게 척도가 조정되는가?
• RQ5 동일한 헤어 기반 방법을 고차원 $d \geq 3$ 에 일반화하여 더 나은 상수를 도출할 수 있는가?

주요 결과

• 논문은 두 차원에서 $L_2$-불일치에 대해 새로운 하한을 확립한다: $\|D_{\mathcal{P}}\|_{L_2} \geq \frac{7}{216\sqrt{\log 2}}\sqrt{\log N} \approx 0.038925\sqrt{\log N}$ 로, 이는 이전에 알려진 최고의 하한 약 $0.0046918\sqrt{\log N}$ 보다 향상된 것이다.
• 하한과 상한의 비율 향상은 상당히 크며, 새로운 상수는 이전 최고 추정치 대비 약 $8.3$ 배 높아진 하한을 제공한다.
• 동일한 방법은 $d$-차원 $L_2$-불일치에 대해서도 향상된 하한을 도출한다: $\|D_{\mathcal{P}}\|_{L_2} \geq \frac{7}{27 \cdot 2^{2d-1} \sqrt{(d-1)!} (\log 2)^{(d-1)/2}} (\log N)^{(d-1)/2}$ 로, 이는 기존 상수를 $\frac{224}{27} \approx 8.296$ 배 향상시킨다.
• 이 하한은 가중치가 있는 $L_2$-불일치에 대해서도 유효하며, 이는 집합 내 점에 어떤 가중치 할당도 적용 가능하다는 의미이다.
• 헤어 기저의 텐서 곱 구조를 통해 고차원으로 일반화할 수 있으며, $\sim (\log N)^{(d-1)/2}$ 의 渐近 척도는 정량적으로 향상된 상수와 함께 유지된다.
• 저자는 유도된 상수가 현재 방법론 프레임워크 하에서 최적이며, 최적화 단계에서 이차 표현을 최대화함으로써 유도되었음을 확인한다.