技術要約：RKHS埋め込みによる時系列の再サンプリングフリー推論

問題提起

本論文は、多変量、関数型、およびオブジェクト値（object-valued）の時系列における非パラメトリックな推論問題を取り扱っている。具体的な推論タスクは以下の通りである：

1. 適合度検定（Goodness-of-fit testing）： 時系列が特定の周辺分布に従っているかどうかを判定する。
2. 変化点検出（Change-point detection）： 時系列の周辺分布における構造的な変化を特定する。
3. 独立性検定（Independence testing）： 2つの定常な時系列が互いに独立であるかどうかを評価する。

ブロック・ブートストラップ法、サブサンプリング法、あるいはブロック単位の経験的尤度法といった既存の手法は、これらの問題に対して再サンプリング技術に依存している。著者らは、これらの伝統的なアプローチにおける2つの主要な限界を指摘している：

• 計算コスト： 再サンプリング手法は、特に大規模なアプリケーションにおいて計算コストが高くなる傾向がある。
• チューニングパラメータへの敏感さ： 有限標本の性能は、ブロック長やバンド幅の選択に対して非常に敏感である。最適なパラメータの選択は困難であり、多くの場合、アドホックなユーザーの選択に依存するため、劣悪な性能やサイズ歪み（size distortion）を招く。

本研究の目的は、バンド幅への依存性を回避し、優れた計算効率を提供しつつ、弱い依存性の仮定の下で妥当な漸近的性質を維持する、**再サンプリングフリー（resampling-free）**な推論フレームワークを開発することである。

手法

SS-SN（Sample Splitting & Self-Normalization：サンプル分割と自己正規化）と呼ばれる提案手法は、再生核ヒルベルト空間（RKHS）埋め込み、サンプル分割、および自己正規化という3つのコアコンポーネントを統合している。

1. RKHS埋め込み

著者らは、特性カーネル $K$ によって生成される再生核ヒルベルト空間（RKHS）へと元の時系列データを写像する。

• 平均埋め込み（Mean Embedding）： 確率分布 $P$ は、RKHS内の平均要素 $\mu_P$ へと写像される。これは、RKHS内のすべての $f$ に対して $\langle f, \mu_P \rangle = E_{X \sim P}[f(X)]$ となるように定義される。
• 問題の再定式化：
  • 適合度検定： $P = P_0$ の検定は、$\|\mu_P - \mu_{P_0}\| = 0$ の検定となる。
  • 変化点検出： 分布の変化の検定は、RKHS値プロセスの平均の変化の検定となる。
  • 独立性検定： 2つの時系列間の独立性の検定は、HSIC（Hilbert-Schmidt Independence Criterion）を用いて、それぞれのRKHSのテンソル積における、シリーズ（およびそのラグ）間の相互共分散演算子がゼロであるかどうかの検定へと再定式化される。

2. サンプル分割（Sample Splitting）

時間的依存性を扱い、複雑な分散構造の推定を回避するために、サンプルを互いに素な部分集合に分割する：

• 訓練セット（Training Set）： 投影方向の推定に使用される（例：平均埋め込みの差、または相互共分散演算子の推定）。
• テストセット（Testing Set）： このセット内のデータは、訓練セットから得られた推定された方向に投影される。この投影により、無限次元のRKHS値プロセスが単変量時系列へと変換される。
• この変換により、無限次元パラメータに関する複雑な推論問題が、単変量時系列の平均に関するより単純な推論問題へと簡略化される。

3. 自己正規化（Self-Normalization: SN）

データが単変量時系列に投影された後、著者らは自己正規化技術（Shao, 2010）を適用する。

• テスト統計量は、データ依存型の分散推定器（自己正規化因子）によって正規化された、投影された系列の標本平均を用いて構築される。
• 決定的なのは、このアプローチが、未知のパラメータや特定のサンプル分割比率（合理的な範囲内であれば）に依存しない、ピボタルな極限分布（ブラウン運動の汎関数を含む）への収束を必要としない点である。

主な貢献

理論的進展

• ピボタルな極限分布： 著者らは、提案されたテスト統計量が、強い混合条件（strong mixing conditions）と緩やかなモーメント仮定の下で、ピボタルな漸近的零分布を持つことを確立した。これにより、臨界値を近似するための再サンプリングの必要性が排除される。
• 検出力分析（Power Analysis）： 局所的な対立仮説の下でのテストの極限検出力を導出し、信号対雑音比（SNR）が変化する際のテストの挙動を特徴付けている。
• 広範な適用可能性： 本フレームワークは、以下の対象に適用可能であることが示されている：
  • ユークリッド時系列。
  • 関数型時系列（ヒルベルト空間値）。
  • オブジェクト値データ（グラフやネットワークなどの非ユークリッドデータ。ただし、基礎となる空間が可分なヒルベルト空間であり、カーネルが特性カーネルである場合に限る）。
• 緩和された仮定： 理論的分析は強い混合条件に基づいており、著者らは、これが競合する手法（例：Zhang and Shao, 2025）で必要とされる $\rho$-mixing や $S$-mixing の仮定よりも一般的であると主張している。

実証結果

数値実験では、SS-SN法を既存の対応手法（例：固定された $b$ を用いるサブサンプリング、逐次ブロック・ブートストラップ、空間符号検定など）と比較している：

• サイズ精度（Size Accuracy）： SS-SN法は、様々な有意水準およびデータ型（重い裾を持つ分布を含む）において、優れたサイズ精度を示している。対照的に、再サンプリングに基づく手法は、特にブロック長が誤設定されている場合に、顕著なサイズ歪みを示すことが多い。
• 計算効率： 提案手法は大幅に高速である。例えば、変化点検定において、SS-SNはミリ秒単位で実行されたのに対し、逐次ブロック・ブートストラップは同等のシミュレーションに対して最大で30分を要した。
• 検出力（Power）： 本手法は競争力のある検出力を備えている。特定のシナリオ（例：サンプル分割比 $\eta > 0.5$ が大きい場合）において、一部の再サンプリング手法と比較してわずかな検出力の低下が見られるものの、全体的な性能は堅牢である。検出力は、カーネルの選択（ガウス型 vs スチューデント型）や分割比（$0.2$から$0.5$ の範囲内）に対して、ほとんど影響を受けない。
• 頑健性（Robustness）： 本手法は、従来のメソッドがサイズ制御に苦慮することが多い、ヘビーテイル（重い裾）データや関数型データに対しても良好に機能する。

意義と主張

本論文は、SS-SN手法が、時系列における無限次元パラメータの推論のための再サンプリングフリーな代替案を提供すると主張している。その主な意義は以下の点にある：

1. バンド幅依存性の排除： 自己正規化を用いることで、既存のノンパラメトリックな時系列推論における大きなボトルネックである、ブロック長やバンド幅の選択に対する敏感さを取り除いている。
2. 計算のスケーラビリティ： 再サンプリングを回避することで、本手法は高い効率性を持ち、大規模なデータセットやリアルタイムアプリケーションに適している。
3. 統一されたフレームワーク： RKHS埋め込みの使用により、ユークリッド、関数型、およびオブジェクト値データの統一的な扱いを可能にし、自己正規化の適用範囲を有限次元パラメータを超えて拡張している。
4. 実用的な信頼性： 著者らは、本手法がブートストラップ手続きの計算負荷なしに、信頼できるサイズ制御と妥当な検出力を提供することを強調しており、複雑な時系列分析のための実用的なツールとなっている。

著者らは、サンプル分割比はチューニングパラメータではあるものの、経験的な証拠によれば、合理的な範囲内において性能への影響は最小限であると述べており、これが手法の実用性をさらに高めているとしている。今後の課題として、これらのアイデアを高次元または非定常な設定へ拡張することが挙げられている。