論文の概要: Communication-Efficient Distributed Estimator for Generalized Linear
Models with a Diverging Number of Covariates
- arxiv url: http://arxiv.org/abs/2001.06194v2
- Date: Thu, 13 Aug 2020 17:25:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 10:09:22.145620
- Title: Communication-Efficient Distributed Estimator for Generalized Linear
Models with a Diverging Number of Covariates
- Title（参考訳）: 変量共変量を持つ一般化線形モデルのための通信効率の良い分散推定器
- Authors: Ping Zhou, Zhen Yu, Jingyi Ma, Maozai Tian, and Ye Fan
- Abstract要約: 2ラウンドの通信により,大規模分散データに対する効率の良い推定器を得る手法が提案されている。
本手法では,サーバ数に対する仮定をより緩和し,現実のアプリケーションに対して実用的である。
- 参考スコア（独自算出の注目度）: 7.427903819459701
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Distributed statistical inference has recently attracted immense attention.
The asymptotic efficiency of the maximum likelihood estimator (MLE), the
one-step MLE, and the aggregated estimating equation estimator are established
for generalized linear models under the "large $n$, diverging $p_n$" framework,
where the dimension of the covariates $p_n$ grows to infinity at a polynomial
rate $o(n^\alpha)$ for some $0<\alpha<1$. Then a novel method is proposed to
obtain an asymptotically efficient estimator for large-scale distributed data
by two rounds of communication. In this novel method, the assumption on the
number of servers is more relaxed and thus practical for real-world
applications. Simulations and a case study demonstrate the satisfactory
finite-sample performance of the proposed estimators.
- Abstract（参考訳）: 分散統計的推測は近年大きな注目を集めている。
mle(maximum likelihood estimator)、mle(one-step mle)、および累積推定方程式推定器(aggregated estimation equation estimator)の漸近効率は、「大きな$n$」の枠組みの下で一般化された線形モデルに対して確立され、共変量 $p_n$ の次元は多項式レート $o(n^\alpha)$ で 0<\alpha<1$ で無限に成長する。
そこで,2ラウンドの通信による大規模分散データに対する漸近的に効率的な推定手法を提案する。
本手法では,サーバ数に対する仮定はより緩和され,現実のアプリケーションでは実用的である。
シミュレーションとケーススタディは,提案した推定器の良好な有限サンプル性能を示す。
関連論文リスト
- Markov Chain Variance Estimation: A Stochastic Approximation Approach [14.883782513177094]
マルコフ連鎖上で定義される関数の分散を推定する問題は、定常平均の統計的推測の重要なステップである。
我々は,各ステップで$O(1)$を必要とする新しい再帰的推定器を設計し,過去のサンプルやラン長の知識を一切必要とせず,証明可能な有限サンプル保証付き平均二乗誤差(MSE)に対する最適な$O(frac1n)の収束率を有する。
論文 参考訳（メタデータ） (2024-09-09T15:42:28Z) - Sample-efficient Learning of Infinite-horizon Average-reward MDPs with General Function Approximation [53.17668583030862]
一般関数近似の文脈において,無限水平平均逆マルコフ決定過程(AMDP)について検討する。
最適化最適化(LOOP)と呼ばれる新しいアルゴリズムフレームワークを提案する。
我々は LOOP がサブ線形 $tildemathcalO(mathrmpoly(d, mathrmsp(V*)) sqrtTbeta )$ regret を達成することを示す。
論文 参考訳（メタデータ） (2024-04-19T06:24:22Z) - A Specialized Semismooth Newton Method for Kernel-Based Optimal
Transport [92.96250725599958]
カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。
SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
論文 参考訳（メタデータ） (2023-10-21T18:48:45Z) - Kernel-based off-policy estimation without overlap: Instance optimality
beyond semiparametric efficiency [53.90687548731265]
本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。
任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
論文 参考訳（メタデータ） (2023-01-16T02:57:37Z) - Efficient Minimax Optimal Estimators For Multivariate Convex Regression [1.583842747998493]
i) $L$-Lipschitz convex regression (ii) $Gamma$-bounded convex regression undertopal support。
この研究は、非ドンスカー類に対する効率的なミニマックス最適推定器の存在を示す最初のものである。
論文 参考訳（メタデータ） (2022-05-06T17:04:05Z) - Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。
そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
論文 参考訳（メタデータ） (2021-08-25T21:30:27Z) - Maximum sampled conditional likelihood for informative subsampling [4.708378681950648]
サブサンプリングは、計算資源が限られているときに大量のデータセットから情報を抽出する、計算学的に効果的な手法である。
そこで本研究では,サンプルデータに基づく最大条件付き確率推定器(MSCLE)を提案する。
論文 参考訳（メタデータ） (2020-11-11T16:01:17Z) - Estimation in Tensor Ising Models [5.161531917413708]
N$ノード上の分布から1つのサンプルを与えられた$p$-tensor Isingモデルの自然パラメータを推定する問題を考える。
特に、$sqrt N$-consistency of the MPL estimate in the $p$-spin Sherrington-Kirkpatrick (SK) model。
我々は、$p$-tensor Curie-Weiss モデルの特別な場合における MPL 推定の正確なゆらぎを導出する。
論文 参考訳（メタデータ） (2020-08-29T00:06:58Z) - A maximum-entropy approach to off-policy evaluation in average-reward
MDPs [54.967872716145656]
この研究は、無限水平非カウントマルコフ決定過程(MDPs)における関数近似を伴うオフ・ポリティ・アセスメント(OPE)に焦点を当てる。
提案手法は,第1の有限サンプル OPE 誤差境界であり,既存の結果がエピソードおよびディスカウントケースを超えて拡張される。
この結果から,教師あり学習における最大エントロピー的アプローチを並列化して,十分な統計値を持つ指数関数型家族分布が得られた。
論文 参考訳（メタデータ） (2020-06-17T18:13:37Z) - $\gamma$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a
Robust Divergence Estimator [95.71091446753414]
最寄りの$gamma$-divergence推定器をデータ差分尺度として用いることを提案する。
本手法は既存の不一致対策よりも高いロバスト性を実現する。
論文 参考訳（メタデータ） (2020-06-13T06:09:27Z) - Low-Rank Matrix Estimation From Rank-One Projections by Unlifted Convex
Optimization [9.492903649862761]
階数1の投影から低階行列を復元するための定式化凸を用いた推定器について検討した。
両モデルにおいて、測定値が$r2 (d+d_$2)以上の場合、推定器は高い確率で成功することを示す。
論文 参考訳（メタデータ） (2020-04-06T14:57:54Z)
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。