최소극대적 매니폴드 추정의 한계와 최적 수렴률

본 논문은 “매니폴드 추정”이라는 문제를 통계적 최소극대(minimax) 관점에서 체계적으로 다룬다. 서론에서는 고차원 데이터가 저차원 매니폴드에 내재한다는 가정이 현대 머신러닝, 컴퓨터 비전, 신호 처리 등에서 널리 사용되고 있음을 언급하고, 이러한 매니폴드의 정확한 복원은 데이터의 구조적 이해와 차원 축소, 클러스터링 등에 필수적이라고 강조한다. 그러나 기존 연구들은 주로 경험적 알고리즘에 초점을 맞추었으며, 이들의 통계적 수렴률에 대한 이론적 한계는 명확히 규명되지 않았다. 문제 정의에서는 다음과 같은 설정을 채택한다. 내재 차원 d, 삽입 차원 D (d < D)인 매니폴드 M ⊂ ℝ^D는 C^2 매끄러움을 만족하고, 곡률 반경이 최소 r₀ > 0인 제한된 매니폴드이다. 관측 데이터 {X_i}_{i=1}^n은 M 위의 균등 표본 {Y_i}에 잡음 Z_i를 더한 형태 X_i = Y_i + Z_i 로 생성된다. 여기서 Z_i는 지원이 반경 ε ≤ r₀/2인 구 안에 포함된 임의의 확률분포이며, 독립이고 동일하게 분포한다. 목표는 관측 집합으로부터 M을 추정하는 추정기 \hat{M}_n을 설계하고, Hausdorff 거리 d_H(\hat{M}_n, M)의 평균 위험을 최소화하는 것이다. 주요 결과는 두 개의 정리로 구성된다. 정리 1(하한)에서는 모든 가능한 추정기에 대해 \