[論文レビュー] Strong Gaussian approximation for U-statistics in high dimensions and beyond

Weijia Li, Leheng Cai+1 more|arXiv (Cornell University)|Mar 11, 2026

Random Matrices and Applications被引用数 0

ひとこと要約

この論文は、次元が発散する非縮退U統計量に対する高次元の強いガウス近似を証明し、逐次結合を提供するとともに、変化点分析への応用と関連検定を提示します。

ABSTRACT

We establish a strong Gaussian approximation for high-dimensional non-degenerate U-statistics with diverging dimension. Under mild assumptions, we construct, on a sufficiently rich probability space, a Gaussian process that uniformly approximates the entire sequential U-statistic process. The approximation error is explicitly characterized and vanishes under polynomial growth of the dimension. The key technical contribution is a sharp martingale maximal inequality for completely degenerate U-statistics, combined with a high-dimensional strong approximation for independent sums. This coupling yields functional Gaussian limits without relying on $\mathcal{L}^\infty$-type bounds or bootstrap arguments. The theory is illustrated through three representative examples of U-statistics: the spatial Kendall's tau matrix, the multivariate Gini's mean difference, and the characteristic dispersion parameter. As applications, we derive Brownian bridge approximations for U-statistic-based change-point statistics and develop a self-normalized relevant testing procedure whose limiting distribution is fully pivotal. The framework naturally accommodates bounded kernels and therefore remains valid under heavy-tailed distributions. Overall, our results provide a unified probability-theoretic foundation for high-dimensional inference based on U-statistics.

研究の動機と目的

• U統計量を用いた高次元推論の動機付けと、強くパスワイ-wiseなガウス近似の必要性。
• 高次元（ベクトル値）の二次順 U統計量に対する逐次的な強いガウス近似の開発。
• マルチミーナル手法を用いた完全に縮退したU統計量の鋭い最大不等式の提供。
• 自己正規化関連検定およびU統計量ベースの変化点手法への適用の実証。

提案手法

• Hoeffding分解を用いてU統計量を線形成分(g)と縮退成分(f)に分解する。
• 共分散がT_kと一致するGaussian部分和過程W_kを構築する。
• 最大ノルム誤差の境界を証明する: E max2≤k≤n ||T_k−W_k||2 = Op(B sqrt(log n) (d/n)^{1/4−1/(2q)}) のモーメント仮定の下。
• 縮退U統計量の鋭いマルチミーナル最大不等式を確立し、マルチミーナルへ埋め込んでベクトル値マルチミーナル不等式を適用。
• ジャックナイoprojectionsに基づく共分散推定量の plug-in を提供し、指定条件の下での一貫性を示す。
• 独立だが同一分布でないデータへ結果を拡張し、グローバルなガウス近似を示す。

実験結果

リサーチクエスチョン

• RQ1 d=nとともに増える逐次的高次元U統計量に対して強い（パスワイ-wise）ガウス結合を構築できるか？
• RQ2 逐次的U統計過程における一様なEuclideanノルム近似を達成するための最小モーメント条件と縮退条件は何か？
• RQ3 これらの近似を自己正規化検定やピボタル性・漸近的ピボタル性を持つ変更点検定に適用するにはどうすればよいか？
• RQ4 独立だが同一分布でない設定において、逐次的だけでなくグローバルな(U統計量の)結果は成立するか？

主な発見

• 逐次的な高次元U統計量に対して、次元の多項式成長のもとで消えうる誤差率を持つ鋭い強いガウス近似を確立。
• マルチミーナル埋め込みとベクトルマルチミーナル不等式を用いて、完全に縮退したU統計量の鋭い最大不等式を導出。
• 提案系に基づく共分散のplug-in推定量が一貫性を持つことを示す。
• 自己正規化関連検定およびBrownian-bridge極限を持つU統計量ベースの変化点手法の応用を示す。
• 理論は有界カーネルを想定し、モーメントベースおよびマルチミーナル手法を通じてヘビータail分布に対して頑健。