Spectrally Robust Covariance Shrinkage for Hotelling's $T^2$ in High Dimensions

技術要約：高次元におけるホテリングの $T^2$ 検定のためのスペクトル的に頑健な共分散収縮

問題提起
本論文は、データ次元 $p$ とサンプルサイズ $n$ が $p/n \to \phi \in (0,1)$ となる高次元領域における、ホテリングの $T^2$ 検定による異常検知という根本的な問題に取り組んでいる。この設定では、標準的な標本共分散行列 $S_n$ は一致性を欠くため、古典的なプラグイン型のホテリングの $T^2$ 統計量は信頼できないものとなる。共分散収縮法（$S_n$ の固有値に関数を適用する手法）が提案されてきたが、既存のアプローチは、スパイク共分散モデル、良条件なスペクトル、あるいは特定の信号事前分布といった制限的な仮定に依存することが多い。さらに、多くの非線形収縮法は実装が困難であるか、あるいは一般的なスペクトル条件や劣ガウス型データに対する検定統計量の漸近的な検出力の厳密な保証を欠いている。具体的な課題は、母集団スペクトルの微細構造に関する事前知識を必要とせずに、高い条件数、高いモデル次数、およびガウス性からの逸脱に対して頑健な、ホテリングの $T^2$ 用の実用的な漸近最適収縮法の欠如である。

手法
著者らは、ランダム行列の異方的局所法則（Knowles および Yin）に基づくフレームワークを開発し、スペクトル的に頑健な収縮法を導出している。

1. データモデルと仮定: 本論文では、データベクトルが $x_{ni} = \Sigma_n^{1/2} w_{ni}$ （ここで $w_{ni}$ は独立同一な劣ガウス成分）として生成される劣ガウス線形モデルを仮定している。母共分散 $\Sigma_n$ は、コンパクトな台を持つ極限測度 $\pi_\infty$ に収束するスペクトル分布を持つ。検定ベクトル $y_n$ に対しては、最大エントロピー事前分布 $N(0, \Omega_n)$ が仮定されており、ここで $\Omega_n$ は正則関数 $h$ を通じて母集団スペクトルに関連付けられている。
2. 収束率: 著者らは、Ledoit および Péché の一般化レゾルベント、および Ledoit および Wolf の非線形収縮固有値の確率的収束率を確立している。具体的には、Ledoid および Wolf の観測可能近似 $\tilde{d}_n(x)$ が、決定論的極限 $\delta(x)$ に $L^1(d\mu_n)$ において $O_\prec(n^{-2/3})$ の速度で収束することを証明している。この速度は、検定統計量を標準化するために極めて重要である。
3. 検定統計量の定式化: 提案される統計量は、収縮正則化されたホテリングの $T^2$（SRHT）であり、$\tilde{T}^2_n = (y_n - \bar{x}_n)' f_n(S_n) (y_n - \bar{x}_n)$ と定義される（ここで $f_n$ は非線形収縮関数である）。著者らは、この統計量の漸近的な平均と分散を導出し、帰無仮説の下で、収縮関数およびスペクトル特性によって決定されるパラメータを持つガウス分布に収束すること（または Hanson-Wright 集中不等式を満たすこと）を示している。
4. 変分最適化: 検出力を最適化するために、著者らは変分問題を定式化している。最大エントロピー信号事前分布の下で漸近的な検出基準（検出力の代理指標）を最大化すると、最適な収縮関数 $f^*$ が得られることを示している。この最適関数は、極限スペクトル密度 $w(x)$ と信号事前分布関数 $h(x)$ のヒルベルト変換を用いて明示的に表現される。
5. 有限サンプル近似: 理論的な極限 $f^*$ は未知の母集団量に依存するため、著者らは実用的な有限サンプル推定値 $f_n$ を提案している。この推定値は、未知の母集団のスペクトル密度とヒルベルト変換を Ledoit-Wolf の観測可能近似（$\tilde{d}_n, \tilde{w}_n$ など）に置き換え、$f^*$ を特徴付ける離散版の特異積分方程式を解くものである。

主な貢献
本論文は、主に3つの理論的結果を提示している：

1. 漸近的なサイズ制御: 定理 5.5 は、提案された有限サンプル近似を用いて適切に正規化されたとき、SRHT 統計量が、あらゆる劣ガウス型データ分布に対して漸近的な第一種の過誤の発生率（サイズ）の制御を維持することを確立している。
2. 最適収縮関数の特徴付け: 定理 5.6 は、検出力を漸近的に最適化する（ガウス型データの場合）、あるいは検出力の Hanson-Wright 下限を飽和させる（劣ガウス型データの場合）最適な収縮関数 $f^*$ を特徴付けている。これは変分問題を解くことで達成され、ヒルベルト変換を含む閉形式の表現を与える。
3. 一貫性のある有限サンプル近似: 定理 5.8 は、理論的な最適値 $f^*$ を一貫して近似する、実用的かつ計算可能な収縮関数 $f_n$ を提供している。著者らは、この有限サンプル手法が、理論的な最適値と同じ漸近的検出性能を達成することを証明している。

実証結果
著者らは、シミュレーションおよび実世界のデータ分析を通じて手法を検証している：

• 合成データ: $p=200$ かつ様々な条件数（$\kappa$ が最大 $10^4$ まで）および重い裾を持つ分布（Student-t 分布）を用いたシミュレーションにおいて、提案手法である SRHT は、有意水準 $10^{-4}$ において、主要な競合手法（BS96, CQ10, LAPPW20, LW22, CWH11 を含む）に対して最大 50% の検出力向上を示した。この手法は、スペクトルの複雑さや信号事前分布 $\Omega_n$ の誤指定に対しても頑健性を示している。
• 実世界のデータ: 182 次元の CRAWDAD UMich/RSS センサーネットワークデータセットを用いた分析では、手法は競争力のある性能を示した。具体的には、共分散一致事前分布（$\Omega \propto \Sigma$）を仮定した場合、SRHT 法は最新の LW22 推定値とおよそ同等の性能を示し、他の線形および非線形競合手法を上回った。

意義と主張
本論文は、「幅広いスペクトル複雑さにわたって、ホテリングの $T^2$ 検定を漸近的に最適化する（劣ガウス集中不等式の範囲内で）最初の利用可能な収縮法」を提供すると主張している。条件数やモデル次数（例：スパイクモデル）に対する強い仮定に依存する従来の手法とは異なり、本アプローチは一般的なスペクトル分布に対して頑健である。著者らは、本手法が母共分散の良条件性やスパイク性を必要としないことを強調しており、多くの強力に相関した摂動信号が存在する金融、ゲノミクス、信号処理などの複雑なシナリオへの適用可能性を示している。本研究は、明示的な収束率と計算可能な推定量を提供することにより、理論的なランダム行列の極限と実用的な検出アルゴリズムの間の溝を埋めるものである。