샤프한 집중 불평등: 위블 분산과 오를리츠 꼬리의 상전이와 혼합

이 논문은 서브-와이블 확률 변수, 즉 P(|X| ≥ t) ≤ 2exp(-tα/K) 형태의 꼬리 행동을 보이는 확률 변수에 대한 샤프한 집중 불평등을 체계적으로 연구합니다. 서브-가우시안(α=2)과 서브-지수(α=1) 분포를 포함하는 이 클래스는 현대 통계학과 기계 학습에서 핵심적입니다. 논문의 첫 번째 주요 결과는 독립 동일 분포(i.i.d.)를 따르는 평균이 0인 확률 변수 {Xi}에 대한 합 Sn의 꼬리 확률에 대한 새로운 상한입니다. ∥X∥Ψα < ∞라는 가정 하에, α 값에 따라 다음과 같은 상전이 현상을 확인했습니다. * **α ≥ 2인 경우:** P(|Sn| ≥ t) ≤ 2exp(-C max{ t²/(n∥X∥²Ψα), tα/(nα−1∥X∥αΨα) }) * **1 ≤ α ≤ 2인 경우:** P(|Sn| ≥ t) ≤ 2exp(-C min{ t²/(n∥X∥²Ψα), tα/(nα−1∥X∥αΨα) }) 이는 t가 n∥X∥Ψα보다 작은 '작은 편차' 영역에서는 Sn이 마치 서브-가우시안인 것처럼 t²에 비례하는 속도로 꼬리가 감소하고, t가 n∥X∥Ψα보다 큰 '큰 편차' 영역에서는 원래 변수 X의 Ψα 꼬리( tα에 비례)를 그대로 물려받음을 의미합니다. α≥2에서 'max' 함수를 사용한 점이 기존 문헌의 'min' 함수를 사용한 결과보다 큰 편차 영역에서 현격히 개선된 것입니다. 두 번째 주요 기여는 분산 σ²X과 오를리츠 노름 ∥X∥Ψα의 척도가 크게 다를 수 있는 현실적인 시나리오를 다루기 위한 새로운 이론적 틀을 마련한 것입니다. 저자들은 확률 변수 X가 어떤 상수 σ, L에 대해 E