호에프딩, 마르코브, 체비쇼프, 번스타인 부등식 정리

2022-06-05 1 분 소요

Concept Drift Detection에 대한 기법들을 공부하면서 자연스레 나온 부등식들을 정리해보았습니다. 대부분의 기계 학습 문제에서 일부 샘플 훈련 세트가 제공되고 전체 모집단에 적용되는 일반 모델을 도출합니다.

Concept Drift Detection에서 등장하는 확률 부등식들을 정리한 글이다. 이 글은 마르코프, 체비쇼프, 호에프딩, 번스타인 부등식의 정의와 증명, 장단점을 차례로 다룬다.

Markov’s inequality

$X$가 음수가 아닌 랜덤 변수일때(즉, 0 또는 양수의 값), 아래의 식이 성립된다.
- $P(X\ge a)\le \frac{E(X)}{a}$
- where, $a>0$
Pros
- 확률분포의 가정없이도 확률변수의 기댓값만으로 대략적인 확률을 추정할 수 있다. ¹

$X$가 랜덤 변수일 때,
$P(\vert X-\mu \vert \ge a) \le \frac{Var(X)}{a^2}$
Proof
- 마르코프 부등식에서 $X$의 값에 $\vert X-\mu \vert$을 대입한다.
- $P(\vert X-\mu \vert \ge a) \le \frac{E(\vert X-\mu \vert)}{a}$
- 좌변, 우변에 제곱을 곱하면
- $P(\vert X-\mu \vert \ge a)=$ $P((X-\mu)^2 \ge a^2) \le \frac{E((X-\mu)^2)}{a^2}$ = $\frac{Var(X)}{a^2}$
위 증명 과정 중 $a$값을 $k^2\sigma^2$로 변형하면
- $P(\vert X-\mu\vert \ge k\sigma)=$ $P((X-\mu)^2 \ge k^2\sigma^2)\le \frac{Var(X)}{k^2\sigma^2}=$ $\frac{\sigma^2}{k^2\sigma^2}=$ $\frac{1}{k^2}$
- 이를 깔끔하게 정리하면,
- $P(\vert X-\mu\vert \ge k\sigma)\le \frac{1}{k^2}$ 또는
- $P(\vert X-\mu\vert \le k\sigma)\ge 1- \frac{1}{k^2}$
  - k값에 따라 평균에서 $\sigma$만큼 떨어진 구간에 자료가 위치할 확률을 구할 수 있다. ¹
Pros
- 분산도 알고 있을 때 사용. 즉, 정보가 더 많기 때문에 tight한 bound를 제공한다. ²
Cons
- 대칭 분포라고 가정하기 때문에, 실제 적용에서는 제약적이다.

양수 n(n>0)에 대하여 동일한 분포를 갖는 독립확률 변수 (i.i.d) $X_1,X_2,…,X_n$가 있고, $\mu = E(X)$, 그리고 $X\in [a, b]$ (a<b로 주어짐)에 수렴한다면, 다음의 식을 성립한다.
- $P(\vert \bar X_n - \mu \vert \ge \epsilon)\le$ $2e^{-\frac{2n\epsilon^2}{(b-a)^2}}$
  - where, $\epsilon > 0$
- $\vert \bar X_n - \mu \vert$의 오류는 작을 수록 좋다.
- $\epsilon$ = 허용 오차 값
- 즉, 오류가 이보다 작으면 추정한 것이 좋고, 이보다 크면 추정한 것이 나쁘다.
- 즉, $P(\vert \bar X_n - \mu \vert \ge \epsilon)$는 잘못된 추정을 할 확률이다. ³
hoeffding은 샘플 사이즈 크기 n에 관계없이 작동한다.
하지만, $n$과 $\epsilon$은 trade-off 관계이다.
- 따라서, n에 영향을 줄이기에 너무 작거나 크지 않거나 충분히 허용되지 않아야 하는 적절한 $\epsilon$을 선택해야 한다. ³
$X_i \sim^{iid} Ber(p)$ 이면, 다음 식이 성립된다.
$P(\vert \bar X_n - \mu \vert \ge \frac{c}{\sqrt{n}})\le$ $2e^{-{2nc^2}}$
Pros
- hoeffding’s inequality는 chebyshev inquality보다 더 tight한 bound를 제공한다.
Cons
- 분산이 작은 분포에 대한 큰 편차 확률을 과대평가하여 너무 보수적(conservative)이다. ⁴

$X_1,…,X_n$이 독립적인 랜덤 변수이고, $\mu$는 기댓값, $X_i\in [a,b]$에 수렴할 때, 번슈타인 부등식은 다음과 같다.
- $P(\vert \bar X_i-\mu \vert > \epsilon)$ $\le 2e^{(\frac{-n\epsilon^2}{2\sigma^2+\frac{2}{3}\epsilon (b-a)})}$
Cons
- 분산 파라미터 값이 필요하다는 점에서 보수적(conservative)라 할 수 있다. 이는 detection delay가 길어지고 정확도가 떨어질 수 있다.