[论文解读] Gaussian marginals of convex bodies with symmetries

Mark W. Meckes|arXiv (Cornell University)|Jun 3, 2006

Point processes and geometric inequalities参考文献 24被引用 5

一句话总结

该论文利用多变量Stein方法，建立了对称凸体的k维边缘的高斯逼近定理。证明了在1-无条件体或正则单形上的各向同性、对数凹随机向量，其k维投影接近高斯分布，总变差误差界为n^{-1/4}阶，优于以往结果，通过改进的平滑方法和浓度不等式实现。

ABSTRACT

We prove Gaussian approximation theorems for specific $k$-dimensional marginals of convex bodies which possess certain symmetries. In particular, we treat bodies which possess a 1-unconditional basis, as well as simplices. Our results extend recent results for 1-dimensional marginals due to E. Meckes and the author.

研究动机与目标

• 将以往针对对称凸体的1维高斯逼近结果推广至更高维边缘（k ≥ 2）。
• 发展一种构造性方法，识别出高维子空间中边缘近似为高斯分布的具体区域，克服Dvoretzky型定理的非构造性特征。
• 通过结合多变量Stein方法、浓度不等式和平滑技术，改进高斯逼近中的定量误差界。
• 证明对于对称凸体上各向同性、对数凹测度（如1-无条件体和单形），k维投影收敛于高斯分布，并给出显式误差率。

提出的方法

• 将Chatterjee与Meckes提出的交换对多变量Stein方法适配于分析对称凸体的k维投影。
• 利用Chatterjee与Meckes的新型抽象正态逼近结果，控制投影测度与高斯分布之间的总变差距离。
• 应用[14]中的浓度不等式，强化对数凹测度的尾部估计，提升误差控制能力。
• 采用单步平滑方法，将Kolmogorov距离界转化为总变差距离界，相比以往两步平滑方法减少误差损失。
• 以与体的对称群相关的框架范数和框架向量表示误差界，特别适用于1-无条件体和正则单形。
• 利用对称群的结构（如反射与标准基向量的符号翻转与置换）定义交换对，并在Stein方法框架中控制矩。

实验结果

研究问题

• RQ1 能否将Stein方法从1维边缘扩展至对称凸体的k维边缘（k ≥ 2）？
• RQ2 对称凸体上各向同性、对数凹测度的k维投影，其高斯逼近的定量总变差误差界为何？
• RQ3 与经典Berry-Esseen方法或Klartag的浓度基方法相比，该方法的误差界在速率和损失方面如何？
• RQ4 单步平滑方法是否能实现比以往两步方法更紧的总变差界？
• RQ5 对称结构（如1-无条件体或正则单形）在多大程度上能实现对近似高斯投影的显式、构造性识别？

主要发现

• 对于1-无条件体上各向同性、对数凹测度的k维边缘，其与高斯分布的总变差距离被有界为O(n^{-1/4})乘以投影方向系数的ℓ4-范数项。
• 对于单形上的边缘，总变差误差被有界为O(n^{-1/4})乘以框架向量ℓ4-范数之和，显式依赖于对称结构。
• 通过仅使用一步平滑，该方法获得比以往方法更紧的总变差界，相比[18]中的两步方法减少误差损失。
• 误差界在定量上优于先前结果，尤其在Kolmogorov距离方面，且总变差界与Kolmogorov界同阶。
• 结果表明，对于一大类对称凸体，特定高维投影（而非仅存在性）近似为高斯分布，为Dvoretzky型定理提供了构造性替代方案。
• 该框架适用于1-无条件体和正则单形，后者依赖于标准基向量的置换与符号翻转生成的对称群。