평균 이동 오염에서 강건 평균 추정의 샘플 복잡도 완전 규명

이 논문은 데이터가 평균 이동(mean‑shift) 형태의 오염을 받을 때, 기본 분포 D 의 평균을 얼마나 효율적으로 추정할 수 있는지를 근본적으로 탐구한다. 기존의 허버(Huber) 오염 모델은 임의의 외부 분포 Q 가 섞이기 때문에 평균 추정에 Ω(α) 오차 하한이 존재해 일관된 추정이 불가능하다는 한계가 있다. 반면 평균 이동 오염 모델에서는 외부 샘플이 원본 분포 D 에 동일한 잡음을 더한 뒤, 임의의 평균 이동 z 을 추가한다는 제약이 있어, 특정 조건 하에 일관된 추정이 가능하다. 논문은 먼저 모델을 정식화한다. α‑mean‑shift 오염 샘플은 (1−α) 확률로 x=μ+y (y∼D) 를, α 확률로는 x=z+y (z∼Q) 를 반환한다. 여기서 μ 는 목표 평균이며, Q는 평균 이동 벡터 z 의 분포이다. 관측된 전체 분포는 D(α)₍μ₎ = D ∗ Q 이며, 특성함수는 ϕ_{D(α)₍μ₎}(ω)=ϕ_D(ω)·ϕ_Q(ω) 로 표현된다. 핵심 기술은 “푸리에 증인(Fourier witness)”이라는 새로운 개념이다. 정의된 파라미터 δ(ε,α,D)=inf_{‖v‖≥ε} sup_{ω:dist(ω·v,ℤ)≥α} |ϕ_D(ω)| 는 평균 오차 v 가 ε 이상일 때, 정수 격자와 최소 α 거리 이상 떨어진 주파수 ω 에서 특성함수의 최소 절댓값을 측정한다. δ가 클수록 푸리에 변환이 0에 가까워지지 않아, 관측된 푸리에 값으로부터 평균 이동을 구분하기가 쉬워진다. **상한(Upper Bound)** 저자들은 다음과 같은 알고리즘을 제시한다. 후보 평균 μ̂ 를 격자 형태의 커버에 놓고, 각 후보에 대해 적절한 주파수 ω (‖ω‖≈1/ε) 를 선택한다. 이 ω는 (μ̂−μ)·ω 가 정수와 α 이상 차이 나게 보장한다. 샘플을 이용해 ϕ_{D(α)₍μ₎}(ω) 를 추정하고, 사전에 알려진 ϕ_D(ω) 로 나누어 ϕ_Q(ω) 를 근사한다. ϕ_Q(ω) 가 exp(2πi μ̂·ω) 와 얼마나 차이나는지를 검사해 μ̂ 가 실제 평균과 ε 이내인지 판단한다. 이 과정에 필요한 샘플 수는 O(α⁻¹·δ⁻²·(1/ε)²) 이며, α와 ε가 상수라면 O(d/δ²) 로 요약된다. 따라서 δ>0이면 다변량 차원 d 에 대해 선형적인 샘플 복잡도로 일관된 추정이 가능함을 보인다. **하한(Lower Bound)** 하한은 δ가 작을 때(특히 δ=0) 추정이 불가능함을 증명한다. 저자들은 두 개의 대립 분포 Y₁, Y₂ (각각 평균 +ε, −ε 에 거의 전체 질량을 둔)를 만든다. 이를 D와 컨볼루션해 Q₁, Q₂ 를 얻고, Plancherel 정리를 이용해 L₂ 거리와 푸리에 거리 사이를 연결한다. ϕ_D가 정의된 집합에서 |ϕ_D(ω)|≤δ 가 되면, Q₁, Q₂ 를 구별하는 데 O(δ⁻¹) 이하의 샘플로는 통계적으로 불가능함을 보인다. 따라서 δ⁻¹ 수준의 표본이 필요함을 하한으로 제시한다. **일관성 조건** δ=0이면 특성함수가 일정 구간에서 완전히 사라지는 경우이다. 이는 밴드 제한(band‑limited) 특성함수를 가진 분포, 예를 들어 sinc² 형태의 밀도를 가진 분포에서 발생한다. 이런 경우 평균 이동 오염이 존재하더라도 어떤 알고리즘도 평균을 복원할 수 없으며, 논문은 이를 명확히 규정한다. **예시와 비교** 표 1에서는 Gaussian, Laplace, Uniform 등 대표적인 분포에 대해 δ를 계산하고, 기존 연구와 일치하거나 개선된 샘플 복잡도를 보여준다. Gaussian의 경우 δ≈c·α·ε, 따라서 O(d·(α/ε)²) 샘플이 필요하고, 이는 이전 최적 결과와 일치한다. Laplace은 O(d·α²/ε⁴) 로 더 높은 복잡도를 보이며, Uniform은 O(1/ε) 로 매우 효율적이다. **관련 연구와 차별점** 동시 연구인