Abstract
本研究では、サブワイブル型の確率変数（サブガウス型およびサブ指数型の分布を含む）に対して、鋭い集中不等式をどのように開発するかを調べる。確率変数がサブガウス型でない場合でも、原点付近における裾確率はサブガウス型であるかのように振る舞い、その他の領域では裾確率の減衰が OrliczPsi_alpha-tail に整合することを示す。具体的には、有限な Orlicz ノルム $X":鋭い集中不等式：位相転移と分散を伴うオルリッツ裾の混合
arXiv stat.ML / 2026/3/30
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、標準的なサブガウス性を仮定するのではなく、オルリッツΨαの裾（tail）挙動を用いて、サブワイブル（サブガウスおよびサブ指数を含む）ランダム変数に対する鋭い集中不等式を構築する。
- α = 2 における位相転移を特定し、集中の上界が t^2 と t^α を含む2つのレジームのうち、max を使うか min を使うかが切り替わることを示す。
- この枠組みにより、原点近傍での裾確率はサブガウス的に振る舞い得る一方、遠方の裾の減衰はそれ以外の領域ではオルリッツの Ψα レートに従うことを捉えられる。
- オルリッツノルムは分散を大きく上回り得るため、著者らは分散と、オルリッツ Ψα の裾に対する混合的（min/max の）相互作用の両方を組み込み、より柔軟で鋭い上界を得る。
- 本研究は、マルチンゲール、ランダムベクトル、ランダム行列、共分散行列推定に対する結果を拡張し、実証するものであり、統計および機械学習応用におけるより精密な非漸近解析への示唆を与える。
