연산자 노름 임계값에서의 텐서-정규 최대 우도 추정

Tensor-normal maximum likelihood estimation at the operator-norm sample threshold

독립적인 가우스 텐서 $X_1,\ldots,X_n$이 $\mathbb{R}^{d_1}\otimes\cdots\otimes\mathbb{R}^{d_k}$ 공간에 존재하며, 공분산은 $k$개의 알려지지 않은 양의 정부호 인자의 크로네커 곱으로 주어집니다. 여기서 $D = \prod_{a=1}^k d_a$이고 $d_{\max} = \max_a d_a$입니다. 최근 Franks et al. (2026)의 연구 결과는 텐서-정규 최대 우도 추정량에 대한 비차수 조건(condition-number-free nonasymptotic guarantees)을 $nD \gtrsim k^2 d_{\max}^3$의 샘플 임계값 하에서 제시했습니다. 그들은 $d_{\max}$에 대한 3차 의존성이 연산자 노름 스케일인 $d_{\max}^2$로 대체될 수 있는지 질문했습니다. 우리는 이 질문에 긍정적으로 답합니다. 우리는 $t \geq 1$인 경우, $nD \geq Ck^2 d_{\max}^2 t^2$이면 최대 우도 추정량이 높은 확률로 유일하게 존재하며, $d_{\mathrm{FR}}(\widehat{\Theta},\Theta) \leq Ct\sqrt{k}\,d_{\max}/\sqrt{n}$ 및 $d_{\mathrm{FR}}(\widehat{\Theta}_a,\Theta_a) \leq Ct\sqrt{k d_a}\,d_{\max}/\sqrt{nD}$를 만족한다는 것을 증명합니다. 가장 큰 차원을 갖는 모든 모드에 대해, 우리는 또한 날카로운 톰슨 경계(Thompson bound) $d_{\mathrm{op}}(\widehat{\Theta}_a,\Theta_a) \leq Ct\,d_{\max}/\sqrt{nD}$를 얻습니다. 여기서는 희소성(sparsity), 조건수(condition-number) 제한 또는 초기값(warm start)을 가정하지 않습니다. 고정된 $k$의 경우, 임계값은 정보 이론적으로 최적의 $d_{\max}$ 의존성을 가지며, 전체 정밀도와 가장 큰 인자에 대한 표시된 속도는 $\sqrt{k}$ 배수의 가우스 미니막스 하한(Gaussian minimax lower bounds)과 일치합니다. 증명은 로컬 그룹-궤적 방향에 대한 랜덤 그람 경계를 전체 로컬 리 대수(Lie algebra)로 확장하고, 정확한 공액을 통해 고정된 톰슨 볼로 이동시키며, 제약 조건 하의 최대 우도 추정량의 민감성과 등변(equivariant) 키르즈브라운 확장(Kirszbraun extension) 및 가우스 집중(Gaussian concentration)을 결합합니다. 이를 통해 이전 연구에서 발생한 추가적인 $d_{\max}$ 인자를 유발하는 프로베니우스-연산자 손실을 제거하고, 이전에 제기된 명시적인 개방 문제를 해결합니다.

Let $X_1,\ldots,X_n$ be independent Gaussian tensors in $\mathbb{R}^{d_1}\otimes\cdots\otimes\mathbb{R}^{d_k}$ whose covariance is a Kronecker product of $k$ unknown positive-definite factors, and put $D=\prod_{a=1}^k d_a$ and $d_{\max}=\max_a d_a$. A recent result of Franks et al. (2026) established condition-number-free nonasymptotic guarantees for the tensor-normal maximum likelihood estimator under the sample threshold $nD\gtrsim k^2 d_{\max}^3$. They asked whether the cubic dependence on $d_{\max}$ could be replaced by the operator-norm scale $d_{\max}^2$. We answer this question affirmatively. We prove that, for $t\geq 1$, the maximum likelihood estimator exists uniquely with high probability whenever $nD\geq Ck^2 d_{\max}^2 t^2$, and satisfies $d_{\mathrm{FR}}(\widehatΘ,Θ)\leq Ct\sqrt{k}\,d_{\max}/\sqrt{n}$ and $d_{\mathrm{FR}}(\widehatΘ_a,Θ_a)\leq Ct\sqrt{k d_a}\,d_{\max}/\sqrt{nD}$. For every mode of largest dimension, we also obtain the sharp Thompson bound $d_{\mathrm{op}}(\widehatΘ_a,Θ_a)\leq Ct\,d_{\max}/\sqrt{nD}$. No sparsity, condition-number bound or warm start is assumed. For fixed $k$, the threshold has the information-theoretically optimal dependence on $d_{\max}$, and the displayed rates for the full precision and the largest factor match Gaussian minimax lower bounds up to a factor $\sqrt{k}$. The proof extends a random Gram bound for local group-orbit directions to the full local Lie algebra, transports it to a fixed Thompson ball by exact conjugation, and combines sensitivity of a constrained maximum likelihood estimator with an equivariant Kirszbraun extension and Gaussian concentration. This removes the Frobenius-to-operator loss responsible for the previous extra factor $d_{\max}$ and resolves the explicit open problem posed in the earlier work.