Gaussian Width of Convex Sets via Integral Decompositions, Projections, and the Distribution of Intrinsic Volumes

这篇论文《通过积分分解、投影和内蕴体积分布的高斯宽度》（Gaussian Width of Convex Sets via Integral Decompositions, Projections, and the Distribution of Intrinsic Volumes）由 Reese Pathak 和 Nikita Zhivotovskiy 撰写，旨在重新审视并解决凸集 $T \subset \mathbb{R}^d$ 上规范高斯过程期望上确界（即高斯宽度 $w(T)$）的界估计问题。

以下是该论文的详细技术总结：

1. 研究问题与背景

• 核心问题：如何有效地界定凸集 $T$ 的高斯宽度 $w(T) = \mathbb{E}[\sup_{x \in T} \langle x, g \rangle]$，其中 $g \sim N(0, I_d)$。
• 现有方法的局限性：
  • 经典的 Talagrand 主要测度定理 (Majorizing Measure Theorem) 表明 $w(T)$ 等价于 $\gamma_2(T)$ 泛函。然而，$\gamma_2$ 的定义涉及寻找最优的嵌套划分序列（admissible partitions），这在一般凸集上极其困难，甚至对于椭球体也是非平凡的。
  • Dudley 熵积分 提供了基于覆盖数的上界，但在某些几何结构（如交叉多胞体 crosspolytope）中，该界往往不是紧的（loose），因为它未能捕捉到集合的局部几何结构。
• 目标：开发不依赖显式“通用链（generic chaining）”构造的替代表征方法，利用统计估计理论和几何分析工具来获得更精确、更几何化的界。

2. 方法论与核心分解

作者提出了两种基于凸集几何结构的高斯宽度分解方法，这两种方法均避免了直接构造通用链：

方法一：基于固定点的变分分解 (Decomposition via Fixed Points)

• 定义：引入一个辅助变分问题，定义 $r_p(\sigma)$ 为以下问题的解：
  $$r_p(\sigma) = \arg\max_{r \ge 0} \left\{ w(T \cap r B_2^d) - \frac{r^2}{2\sigma} \right\}$$
  其中 $w(\cdot)$ 是局部高斯宽度。
• 定理 2.1：高斯宽度可以分解为：
  $$w(T) = \left( w(T \cap r_p(\sigma) B_2^d) - \frac{r_p(\sigma)^2}{2\sigma} \right) + \frac{1}{2} \int_{\sigma}^{\infty} \frac{r_p(\nu)^2}{\nu^2} d\nu$$
  或者更简洁地：
  $$w(T) = \frac{1}{2} \int_{0}^{\infty} \frac{r_p(\nu)^2}{\nu^2} d\nu$$
• 意义：这将全局宽度表示为一系列“局部”变分问题的积分。第一项对应于统计估计中的风险，第二项积分项与 Chatterjee 关于最小二乘估计器（LSE）方差的分析紧密相关。

方法二：基于度量投影的分解 (Decomposition via Metric Projections)

• 定义：利用度量投影算子 $\Pi_T(x) = \arg\min_{t \in T} \|x - t\|_2^2$。
• 定理 2.2：高斯宽度可以表示为：
  $$w(T) = \mathbb{E}\left[ \sup_{t \in T} \left( \langle t, g \rangle - \frac{\|t\|_2^2}{2\sigma} \right) \right] + \frac{1}{2} \int_{\sigma}^{\infty} \mathbb{E}[\|\Pi_{T/\nu}(g)\|_2^2] d\nu$$
  同样有积分形式：
  $$w(T) = \frac{1}{2} \int_{0}^{\infty} \mathbb{E}[\|\Pi_{T/\nu}(g)\|_2^2] d\nu$$
• 联系：在 Gaussian 情况下，这两种分解在常数因子内是等价的。第一项与统计中的极小极大风险（minimax risk）相关，第二项积分项直接关联到 LSE 的方差（统计维度）。

3. 关键贡献与主要结果

A. 内蕴体积分布与 Wills 泛函 (Intrinsic Volumes & Wills Functional)

• 连接：作者利用 Vitale (1996) 和 Mourtada (2025) 的工作，建立了 Wills 泛函 $W(T) = \sum V_i(T)$（内蕴体积之和）与高斯宽度的联系。
• 定理 2.3 (峰值内蕴指数)：
  • 定义了“峰值内蕴指数” $i^*_\sigma$，即缩放后集合 $T/(\sigma\sqrt{2\pi})$ 的最大内蕴体积的索引。
  • 证明了 $w(T)$ 主要由该峰值索引控制：
    $$w(T) \asymp \sigma i^*_\sigma + \int_{\sigma}^{\infty} \mathbb{E}[\|\Pi_{T/\nu}(g)\|_2^2] d\nu$$
  • 推论：在特定条件下（如 $T$ 处于 L"owner 位置），$w(T)$ 与直径 $diam(T)$和峰值索引$i^$的乘积成正比：$w(T) \asymp i^ \cdot diam(T)$。这表明高斯宽度本质上由内蕴体积分布的“模式”（mode）决定，而非整个分布。

B. 统计速率与信息论工具 (Statistical Rates & Information-Theoretic Tools)

• 等价性：证明了局部（local）和全局（global）的 Dudley 熵积分以及 Sudakov 下界在常数因子内是等价的。这意味着在构建上界或下界时，使用局部覆盖数与全局覆盖数效果相同。
• 信息论证明：利用 Fano 不等式和 Anderson 引理，给出了 Sudakov 下界的信息论证明，无需依赖高斯比较不等式（如 Sudakov-Fernique）。
• Dudley 积分的松弛性解释：论文从统计角度解释了何时 Dudley 积分界是松的：当最小二乘估计器（LSE）在特定目标（如原点）处的风险远小于最坏情况下的极小极大风险时，Dudley 界会失效。

C. 变分方法 (Variational Approach)

• 利用 Donsker-Varadhan 变分恒等式，通过选择特定的先验分布（Prior），可以绕过通用链构造，直接获得紧的界。
• 该方法特别适用于椭球体和交叉多胞体等经典例子，能够恢复出最优的高斯宽度界，而传统的 Dudley 积分在这些例子中表现不佳。

4. 具体案例分析：交叉多胞体 (Crosspolytope)

论文在第 6 章详细分析了 $\ell_1$ 球（交叉多胞体 $B_1^d$）的高斯宽度：

• 已知结果：$w(B_1^d) \asymp \sqrt{\log d}$。
• 传统方法：Dudley 积分给出的界为 $O(\log^{3/2} d)$，存在显著差距。
• 本文方法：
  1. 变分法：构造特定的稀疏先验分布，利用 Donsker-Varadhan 公式得到紧界。
  2. 内蕴体积法：通过分析 $B_1^d$ 的内蕴体积分布，确定峰值索引 $i^* \asymp \sqrt{\log d}$，从而直接得到紧界。
  3. 投影分析法：通过精细分析 $\ell_1$ 球上的度量投影算子的期望范数，结合积分分解公式，同样得到紧界。

5. 意义与影响

1. 理论突破：提供了一种不依赖复杂通用链构造（Generic Chaining）的替代框架，将高斯宽度的估计转化为统计估计问题（如 LSE 风险、极小极大速率）和几何量（内蕴体积、Wills 泛函）的结合。
2. 几何洞察：揭示了高斯宽度主要由内蕴体积分布的“峰值”决定，简化了对复杂凸集宽度的理解。
3. 统计与几何的桥梁：成功地将统计学习理论中的风险界、信息论工具（Fano, KL 散度）与凸几何中的经典问题（高斯宽度、内蕴体积）联系起来，为两者提供了新的相互视角。
4. 实用性：提出的分解方法（特别是基于固定点和投影的积分形式）为计算或估计特定几何结构（如稀疏集、低秩矩阵集等）的高斯宽度提供了更直接、更精确的工具，避免了寻找最优划分的困难。

总结来说，这篇论文通过引入积分分解、利用统计估计理论中的风险与方差关系，并结合内蕴体积的分布特性，成功地对高斯宽度进行了更精细的刻画，解决了传统方法在某些几何结构下界估计过松的问题，并提供了新的理论工具来连接概率、几何与统计学习。