論文の概要: Latent Factor Analysis of Gaussian Distributions under Graphical
Constraints
- arxiv url: http://arxiv.org/abs/2001.02712v2
- Date: Sat, 11 Jan 2020 05:13:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 09:59:52.073051
- Title: Latent Factor Analysis of Gaussian Distributions under Graphical
Constraints
- Title(参考訳): グラフィカル制約下におけるガウス分布の潜在因子解析
- Authors: Md Mahmudul Hasan, Shuangqing Wei, Ali Moharrer
- Abstract要約: CMTFA のランクは 1 ドル、ランクは n-1 ドルのいずれかであり、その間には何の問題もない。
特に、CMTFA のランクは 1 ドル、ランクは n-1 ドルのいずれかであり、その間には何も持たないことが示されている。
- 参考スコア(独自算出の注目度): 5.575141499952048
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We explore the algebraic structure of the solution space of convex
optimization problem Constrained Minimum Trace Factor Analysis (CMTFA), when
the population covariance matrix $\Sigma_x$ has an additional latent graphical
constraint, namely, a latent star topology. In particular, we have shown that
CMTFA can have either a rank $ 1 $ or a rank $ n-1 $ solution and nothing in
between. The special case of a rank $ 1 $ solution, corresponds to the case
where just one latent variable captures all the dependencies among the
observables, giving rise to a star topology. We found explicit conditions for
both rank $ 1 $ and rank $n- 1$ solutions for CMTFA solution of $\Sigma_x$. As
a basic attempt towards building a more general Gaussian tree, we have found a
necessary and a sufficient condition for multiple clusters, each having rank $
1 $ CMTFA solution, to satisfy a minimum probability to combine together to
build a Gaussian tree. To support our analytical findings we have presented
some numerical demonstrating the usefulness of the contributions of our work.
- Abstract(参考訳): 凸最適化問題の解空間の代数的構造を探索し、人口共分散行列 $\Sigma_x$ が追加の潜在的グラフィカル制約、すなわち潜在星位相を持つとき、制約付き最小トレース因子解析(CMTFA)を行う。
特に、cmtfaはランク1$またはランク1$n-1$ソリューションのいずれかを持ち、その中間には何もありません。
ランク $ 1 $ の特別なケースは、1つの潜在変数が観測可能変数間のすべての依存関係をキャプチャし、スタートポロジーを生成するケースに対応している。
ランク 1 $ とランク $n-1$ の両方の明示的な条件を cmtfa ソリューションの $\sigma_x$ で見つけました。
より一般的なガウス木を構築するための基本的な試みとして、ガウス木を構築するために結合する最小の確率を満たすために、1$ CMTFA の階数を持つ複数のクラスタに対して必要かつ十分な条件を見出した。
分析結果を支援するために,本研究の有用性を示す数値的考察を行った。
関連論文リスト
- Multilayer Correlation Clustering [12.492037397168579]
相関クラスタリング(Bansal et al., FOCS '02)の新たな一般化である多層相関クラスタリングを確立する。
本稿では、共通集合である$V$に対して相関クラスタリング(層と呼ばれる)の一連の入力を与えられる。
目的は、不一致ベクトルの$ell_p$-norm(pgeq 1$)を最小化する$V$のクラスタリングを見つけることである。
論文 参考訳(メタデータ) (2024-04-25T15:25:30Z) - Agnostically Learning Multi-index Models with Queries [54.290489524576756]
本稿では,ガウス分布下での非依存学習の課題に対するクエリアクセスのパワーについて検討する。
クエリアクセスは、MIMを不可知的に学習するためのランダムな例よりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2023-12-27T15:50:47Z) - Mixtures of Gaussians are Privately Learnable with a Polynomial Number of Samples [9.649879910148854]
差分プライバシー(DP)制約下におけるガウシアン混合量の推定問題について検討する。
主な結果は、$textpoly(k,d,1/alpha,1/varepsilon,log (1/delta))$サンプルが$k$ Gaussians in $mathbbRd$から$alpha$までを推定するのに十分であることです。
これは GMM の構造的仮定を一切含まない問題に対する最初の有限標本複雑性上界である。
論文 参考訳(メタデータ) (2023-09-07T17:02:32Z) - Efficiently Learning One-Hidden-Layer ReLU Networks via Schur
Polynomials [50.90125395570797]
正方形損失に関して、標準的なガウス分布の下での$k$ReLU活性化の線形結合をPAC学習する問題をmathbbRd$で検討する。
本研究の主な成果は,この学習課題に対して,サンプルおよび計算複雑性が$(dk/epsilon)O(k)$で,epsilon>0$が目標精度である。
論文 参考訳(メタデータ) (2023-07-24T14:37:22Z) - A Finite Sample Complexity Bound for Distributionally Robust Q-learning [16.88062487980405]
我々は,展開環境が訓練環境と異なる強化学習環境を考える。
ロバストなマルコフ決定プロセスの定式化を適用することで、Liuらで研究されている分布的にロバストな$Q$ラーニングフレームワークを拡張します。
これはモデルのないロバストなRL問題に対する最初のサンプル複雑性結果である。
論文 参考訳(メタデータ) (2023-02-26T01:15:32Z) - Stochastic Approximation Approaches to Group Distributionally Robust
Optimization [96.26317627118912]
群分散ロバスト最適化(GDRO)
オンライン学習技術は、各ラウンドに必要なサンプル数をm$から1$に減らし、同じサンプルを保持する。
分布依存収束率を導出できる重み付きGDROの新規な定式化。
論文 参考訳(メタデータ) (2023-02-18T09:24:15Z) - Detection-Recovery Gap for Planted Dense Cycles [72.4451045270967]
期待帯域幅$n tau$とエッジ密度$p$をエルドホス=R'enyiグラフ$G(n,q)$に植え込むモデルを考える。
低次アルゴリズムのクラスにおいて、関連する検出および回復問題に対する計算しきい値を特徴付ける。
論文 参考訳(メタデータ) (2023-02-13T22:51:07Z) - Near-Optimal Cryptographic Hardness of Agnostically Learning Halfspaces
and ReLU Regression under Gaussian Marginals [43.0867217287089]
ガウス分布の下で半空間を不可知的に学習する作業について検討する。
この課題に対して,ほぼ最適計算硬度を証明した。
論文 参考訳(メタデータ) (2023-02-13T16:46:23Z) - Best Policy Identification in Linear MDPs [70.57916977441262]
縮退した線形マルコフ+デルタ決定における最適同定問題について, 生成モデルに基づく固定信頼度設定における検討を行った。
複雑な非最適化プログラムの解としての下位境界は、そのようなアルゴリズムを考案する出発点として用いられる。
論文 参考訳(メタデータ) (2022-08-11T04:12:50Z) - Learning and Testing Junta Distributions with Subcube Conditioning [11.464622619555222]
本研究では,一様分布に関して,1,1n$のユンタ分布の学習と試験の問題点について検討する。
主な寄与は、サブキューブ条件付き$k$-junta分布における関連する座標を見つけるアルゴリズムである。
論文 参考訳(メタデータ) (2020-04-26T22:52:53Z) - Private Learning of Halfspaces: Simplifying the Construction and
Reducing the Sample Complexity [63.29100726064574]
有限格子上の半空間に対して微分プライベート学習器を$mathbbRd$で$G$で、サンプル複雑性を$approx d2.5cdot 2log*|G|$で表す。
学習者のためのビルディングブロックは、線形実現可能性問題を解くために、微分プライベートな新しいアルゴリズムである。
論文 参考訳(メタデータ) (2020-04-16T16:12:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。