Sharp One-Dimensional Sub-Gaussian Comparison in Convex Order

Yihan Zhang による論文「Sharp One-Dimensional Sub-Gaussian Comparison in Convex Order」の詳細な技術的要約を以下に示す。

1. 問題定義

本論文は、中心化された 1-サブガウス確率変数 $X$ が、凸順序においてスケーリングされた標準ガウス変数 $cG$によって支配されるような**最適定数**$c$ を決定する問題を取り扱っている。

• 定義:

  • 1-サブガウス (MGF 意味): 確率変数 $X$ が 1-サブガウスであるとは、そのモーメント生成関数 (MGF) がすべての $\lambda \in \mathbb{R}$ に対して $M_X(\lambda) = \mathbb{E}[e^{\lambda X}] \leq e^{\lambda^2/2}$ を満たすことをいう。
  • 凸順序 ($X \preceq Y$): $X$ が $Y$ によって支配されるとは、すべての凸関数 $f: \mathbb{R} \to \mathbb{R}$ に対して $\mathbb{E}[f(X)] \leq \mathbb{E}[f(Y)]$ が成り立つことをいう（期待値が存在すると仮定）。
  • 目標: MGF 条件を満たすすべての $X$ に対して $X \preceq c_{\text{mgf}} G$ となるような最小定数 $c_{\text{mgf}}$ を見つけること。ここで $G \sim \mathcal{N}(0, 1)$ である。

• 背景: 先行研究（Han [2025], Davis & Power [2026] など）は、そのような定数の存在を確立したが、「尾部ベース」のサブガウス定義や高次元に焦点を当てていた。尾部定義における最適定数 ($c_{\text{tail}} \approx 2.31$) は既知であったが、MGF 定義における定数 ($c_{\text{mgf}}$) は、特にそれが尾部ベースの定数と異なるかどうかに関して、未解決の問題となっていた。

2. 手法

証明は、確率的な還元技術と鋭い解析的不等式の組み合わせに依存している。

A. ヒンジ関数および 2 点分布への還元

1. ヒンジ表現: 著者らは、任意の凸関数 $f$ がヒンジ関数 $(x-t)_+ = \max(x-t, 0)$ の線形結合として表現できるという事実を利用する。したがって、$X \preceq Y$ を証明することは、すべての $t \in \mathbb{R}$ に対して $\mathbb{E}[(X-t)_+] \leq \mathbb{E}[(Y-t)_+]$ を示すことに帰着する（命題 3）。
2. 2 点還元 (補題 5): 重要なステップとして、任意のサブガウス変数 $X$ と任意の閾値 $t$ に対して、量 $S_X(t) = \mathbb{E}[(X-t)_+]$ が特定の2 点分布 $Y$ によって最大化されることを示す。
   • $Y$ は値 $\mu_+$ および $\mu_-$ をそれぞれ確率 $p$ および $1-p$ で取り、ここで $p = \mathbb{P}(X > t)$ である。
   • 著者らは、$X$ が 1-サブガウスであれば、この構成された $Y$ もまた 1-サブガウスであり、かつ $S_X(t)$ の値を保存することを証明する。
   • これにより、無限次元の最適化問題が、2 点分布の族の解析に還元される。

B. 2 点分布の最適化

平均 0 で MGF が $e^{\lambda^2/2}$ によって有界である 2 点変数 $Y$ について、著者らは確率 $p$ の関数として、2 点間の距離をスケーリングするパラメータ $\nu$ の上限を導出する。

• 彼らは以下の不等式を確立する：
  $$p(1-p)\nu \leq \sqrt{\frac{\pi}{2}} I(p)$$
  ここで $I(p) = \phi(\Phi^{-1}(p))$ はガウス等周関数（$p$ に対応する分位点における標準正規分布の密度）である。

C. 等周関数に対する鋭い下限

証明を完了させるために、著者らはスケーリングされたガウス変数 $cG$が凸支配条件を満たすことを示す必要がある。これには、ガウス変数の「ストップロス」関数$S_{cG}(t)$ に対する下限が必要となる。

• 主要な技術的補題 (補題 2): 論文はガウス等周関数 $I(p)$ に対する鋭い下限を証明する：
  $$I(p) \geq \frac{2}{\sqrt{\pi}} p(1-p) \sqrt{\frac{\log(\frac{1-p}{p})}{1-2p}}$$
  この不等式は、双曲関数、テイラー展開、および補助関数に関する単調性の議論を含む洗練された解析的アプローチを用いて証明される（付録の補題 6–8）。定数 $2/\sqrt{\pi}$ が鋭いことが示される。

3. 主要な結果

主要定理 (定理 1)

MGF ベースのサブガウス定義に対する最適定数は以下の通りである：
$$c_{\text{mgf}} = \sqrt{\frac{\pi}{2}} \approx 1.25331$$
これは、MGF 意味における任意の 1-サブガウス確率変数 $X$ に対して、$X \preceq \sqrt{\frac{\pi}{2}} G$ が成り立つことを意味する。

鋭さ

この上限はタイトである。等号は以下のときに達成される：

• $X \sim \text{Unif}(\{-1, 1\})$（ラデマッハ分布）。
• $f(x) = |x|$。
  この場合、$\mathbb{E}[|X|] = 1$ であり、一方 $\mathbb{E}[|cG|] = c \sqrt{2/\pi}$ である。$1 = c \sqrt{2/\pi}$ と置くことで $c = \sqrt{\pi/2}$ が得られる。

尾部ベースの定数との比較

論文は、定義間の重要な相違点を強調している：

• 尾部ベース ($c_{\text{tail}}$): $\approx 2.30952$ (Davis & Power [2026] より)。
• MGF ベース ($c_{\text{mgf}}$): $\approx 1.25331$。
  MGF 定義は、より厳密に小さく（したがってより強い）支配定数を与える。論文は、$c_{\text{mgf}} = 1/\mathbb{E}[|G|]$ であることを指摘している。

4. 意義と限界

• 解釈可能性: この結果は、MGF 定義に対して、尾部定義から導出されたより複雑な定数とは対照的に、クリーンで解釈可能な定数 ($1/\mathbb{E}[|G|]$) を提供する。
• 未解決問題の解決: MGF ベースのサブガウス性に関する最適定数について Sam Power が提起した問いに答える。
• 1 次元への限定: 証明は、単変数凸関数のヒンジ表現（式 3）に強く依存している。著者らは明示的に、この表現の自然な類似物は高次元 ($d \geq 2$) には存在しないと述べている。したがって、この手法は多変数ケースには一般化されず、$d \geq 2$ における鋭い定数は未解決の問題として残る。
• 解析的貢献: 導出されたガウス等周関数に対する下限（補題 2）は、独立した興味を持つ結果として提示されており、$I(p)$ をタイトに束縛する単純な初等関数を提供する。

結論

Yihan Zhang の論文は、MGF によって定義された 1-サブガウス確率変数に対する、最も鋭い凸順序支配が、標準ガウス変数を $\sqrt{\pi/2}$ 倍することで達成されることを確立している。証明は、確率的還元（2 点分布への還元）と、ガウス等周関数に関する深い解析的不等式を巧みに結びつけ、1 次元の場合に対する決定的な答えを提供するとともに、これらの結果を高次元に拡張することの課題を浮き彫りにしている。