Stanford ve diğer önde gelen üniversitelerden araştırmacılar, modern makine öğrenmesi ve operasyon araştırması alanlarında temel rol oynayan merkezi limit teoremi için çığır açan yeni bir yöntem geliştirdi.
Araştırma, Wasserstein-p mesafesi adı verilen matematiksel araç kullanılarak, bağımlı veri yapılarında istatistiksel yakınsama hızlarını inceliyor. Bu çalışmanın odak noktasını, pratikte sıkça karşılaşılan iki temel bağımlılık yapısı oluşturuyor: yerel bağımlı diziler ve geometrik ergodik Markov zincirleri.
Ekip, her iki durumda da Wasserstein-1 mesafesinde ilk kez optimal O(n^-1/2) hızına ulaşmayı başardı. Ayrıca, hafif moment varsayımları altında p≥2 için Wasserstein-p merkezi limit teoremi hızları da elde edildi. Bu sonuçlar, bağımlı veri rejimlerinde daha önce bilinen en iyi sınırları önemli ölçüde geliştiriyor.
Çalışmanın pratik uygulamaları arasında çok değişkenli U-istatistikleri için optimal Wasserstein-1 merkezi limit teoremi hızı da bulunuyor. Bu gelişme, büyük veri analizinde ve yapay zeka uygulamalarında daha hızlı ve güvenilir istatistiksel çıkarımlar yapılmasına olanak tanıyacak.
Teknik açıdan bakıldığında, araştırmacılar Gaussian yaklaşım hataları için izlenebilir yardımcı sınırlar türeterek, bağımlı veri analizi alanında yeni standartlar belirledi.