扩散法测数据维度，统计极限首次揭晓！误差下界精确到(nσ^d)^{-1}，高维几何探测有了硬核理论支撑！
Minimax Lower Bound for Estimating Diffusion-based Local Intrinsic Dimension
📖 AI 总结
该论文研究了基于扩散的局部内在维度（LID）估计的统计极限，聚焦于FLIPD方法背后的有限尺度总体泛函。作者通过高斯平滑将局部维度转化为尺度律，在规则流形模型下证明该泛函与真实流形维度d的偏差不超过O(σ²)。核心贡献是建立了估计该泛函的极小极大下界，其阶数为(nσᵈ)⁻¹，适用于特定噪声尺度范围。在最小尺度下，该下界退化为非参数速率n^(−2α/(2α+d))。这一结果首次系统刻画了扩散型LID估计的统计难度，填补了该领域理论分析的空白，为高维数据内在几何探测方法的可靠性提供了重要理论依据。
🔑 关键词速览
| FLIPD | 一种基于扩散的局部内在维度估计量，通过高斯平滑密度的对数尺度导数定义。 |
| local intrinsic dimension (LID) | 局部内在维度，描述数据在局部区域的有效维度，用于刻画高维数据的几何结构。 |
| minimax lower bound | 极小极大下界，指在最优估计器下也无法超越的误差下界，用于衡量估计问题的统计难度。 |
| Gaussian smoothing | 高斯平滑，通过卷积高斯核来平滑密度函数，用于将局部维度转化为尺度定律。 |
| finite-scale field | 有限尺度场，指在特定噪声尺度下定义的函数，反映流形维度随尺度的变化。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅