[论文解读] Strong Consistency of Frechet Sample Mean Sets for Graph-Valued Random Variables

Cedric E. Ginestet|arXiv (Cornell University)|Apr 14, 2012

Bayesian Methods and Mixture Models参考文献 27被引用 14

一句话总结

该论文通过利用由度量有界性导出的一致有界性和等度连续性，建立了在可分、有界伪度量空间中图值随机变量的弗雷chet样本均值集的强一致性。它使用库拉托夫斯基外极限提供了几乎必然收敛的新证明，并通过以有界性替代紧致性，推广了Sverdrup-Thygeson（1981）的结果，将大数定律扩展至所有阶的受限与非受限弗雷chet均值。

ABSTRACT

The Frechet mean or barycenter generalizes the idea of averaging in spaces where pairwise addition is not well-defined. In general metric spaces, the Frechet sample mean is not a consistent estimator of the theoretical Frechet mean. For graph-valued random variables, for instance, the Frechet sample mean may fail to converge to a unique value. Hence, it becomes necessary to consider the convergence of sequences of sets of graphs. We show that a specific type of almost sure convergence for the Frechet sample mean previously introduced by Ziezold (1977) is, in fact, equivalent to the Kuratowski outer limit of a sequence of Frechet sample means. Equipped with this outer limit, we provide a new proof of the strong consistency of the Frechet sample mean for graph-valued random variables in separable (pseudo-)metric space. Our proof strategy exploits the fact that the metric of interest is bounded, since we are considering graphs over a finite number of vertices. In this setting, we describe two strong laws of large numbers for both the restricted and unrestricted Frechet sample means of all orders, thereby generalizing a previous result, due to Sverdrup-Thygeson (1981).

研究动机与目标

• 在可分、有界伪度量空间中，建立图值随机变量的弗雷chet样本均值集的强一致性。
• 通过以有界性替代紧致性，推广Sverdrup-Thygeson（1981）的大数定律。
• 证明弗雷chet样本均值的几乎必然收敛性等价于样本均值集序列的库拉托夫斯基外极限。
• 证明在有界度量下，指数化点函数类的统一等度连续性和有界性，从而取代紧致性作为关键假设。
• 将大数定律推广至有界度量空间中所有阶的受限与非受限弗雷chet均值。

提出的方法

• 使用库拉托夫斯基外极限刻画弗雷chet样本均值集的几乎必然收敛性，证明其与Ziezold（1977）的几乎必然收敛准则等价。
• 利用有限顶点图上度量的有界性，推导出指数化点函数类 $\mathcal{D}^r(\mathcal{X})$ 的一致有界性和一致等度连续性。
• 对经验风险 $T_n(\theta^*)$ 和残差项 $\operatorname{TR}_n^*(\hat{\theta}_n^*)$ 应用大数定律，通过夹逼法证明几乎必然收敛。
• 基于夹逼不等式构建证明策略：$T_n(\hat{\theta}_n^*) \leq \operatorname{TR}_n^*(\hat{\theta}_n^*) \leq T_n(\theta^*) + \min_{x'} |\operatorname{TR}_n^*(x') - \operatorname{TR}_n^*(\theta^*)|$。
• 表明受限弗雷chet均值的渐近行为由底层测度的支集和函数类的等度连续性所决定。
• 通过指出证明中未使用重合公理，将结果扩展至伪度量空间，从而在度量条件放宽时仍保持有效性。

实验结果

研究问题

• RQ1 在可分度量空间中，图值随机变量的弗雷chet样本均值集在何种条件下具有强一致性？
• RQ2 Sverdrup-Thygeson（1981）大数定律中的紧致性假设能否被度量的有界性所替代？
• RQ3 弗雷chet样本均值的几乎必然收敛性是否等价于样本均值集序列的库拉托夫斯基外极限？
• RQ4 度量的有界性如何诱导指数化点函数类中的一致等度连续性和有界性？
• RQ5 大数定律在有界度量空间中，对所有阶的受限与非受限弗雷chet样本均值，其推广程度如何？

主要发现

• 弗雷chet样本均值集的几乎必然收敛性等价于样本均值集序列的库拉托夫斯基外极限，为一致性提供了拓扑表征。
• 度量的有界性蕴含指数化点函数类 $\mathcal{D}^r(\mathcal{X})$ 的一致有界性和一致等度连续性，从而取代紧致性作为关键假设。
• 受限弗雷chet均值强一致性的证明依赖于 $\mathcal{D}^r(\mathcal{X})$ 的一致等度连续性，该性质在有界性而非紧致性下即可保证。
• 在有界性条件下，非受限弗雷chet样本均值几乎必然收敛于理论弗雷chet均值，收敛性通过残差风险的夹逼不等式建立。
• 结果对所有阶的受限与非受限弗雷chet样本均值均成立，将Sverdrup-Thygeson（1981）的结果推广至非紧空间。
• 该框架可扩展至有界伪度量空间，因证明中未使用重合公理，故在度量条件放宽时仍保持有效性。