Fugu-MT 論文翻訳(概要): Fitting Laplacian Regularized Stratified Gaussian Models

論文の概要: Fitting Laplacian Regularized Stratified Gaussian Models

arxiv url: http://arxiv.org/abs/2005.01752v2
Date: Fri, 22 May 2020 16:22:53 GMT
ステータス: 処理完了
システム内更新日: 2022-12-07 00:28:18.059646
Title: Fitting Laplacian Regularized Stratified Gaussian Models
Title（参考訳）: ラプラシアン正則成層ガウス模型の適合
Authors: Jonathan Tuck, Stephen Boyd
Abstract要約: データから複数の関連するゼロ平均ガウス分布を共同推定する問題を考察する。本稿では,大規模な問題にスケールする分散手法を提案するとともに,金融,レーダ信号処理,天気予報などの手法の有効性について述べる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider the problem of jointly estimating multiple related zero-mean Gaussian distributions from data. We propose to jointly estimate these covariance matrices using Laplacian regularized stratified model fitting, which includes loss and regularization terms for each covariance matrix, and also a term that encourages the different covariances matrices to be close. This method `borrows strength' from the neighboring covariances, to improve its estimate. With well chosen hyper-parameters, such models can perform very well, especially in the low data regime. We propose a distributed method that scales to large problems, and illustrate the efficacy of the method with examples in finance, radar signal processing, and weather forecasting.
Abstract（参考訳）: データから複数の関連するゼロ平均ガウス分布を共同推定する問題を考える。本稿では,各共分散行列に対する損失と正規化項を含むラプラシアン正規化成層モデルフィッティングと,異なる共分散行列を近接させる項を用いて,これら共分散行列を共同で推定することを提案する。この手法は隣り合う共分散から強度を「ボロース」し、その推定を改善する。適切に選択されたハイパーパラメータでは、特に低データ構造において、そのようなモデルは非常によく機能する。本研究では,大規模な問題にスケールする分散手法を提案し,金融,レーダ信号処理,気象予報などの手法の有効性を示す。

関連論文リスト

Improving Probabilistic Diffusion Models With Optimal Covariance Matching [27.2761325416843]
対角的共分散を学習するための新しい手法を提案する。提案手法は,拡散モデルと潜伏拡散モデルの両方のサンプリング効率,リコール率,および可能性を大幅に向上させることができることを示す。
論文参考訳（メタデータ） (2024-06-16T05:47:12Z)
Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文参考訳（メタデータ） (2024-04-24T09:04:36Z)
Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文参考訳（メタデータ） (2024-01-29T02:08:40Z)
Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。この問題は楕円分布のペナルティ化された最大推定値として表される。楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文参考訳（メタデータ） (2022-10-21T13:19:45Z)
Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文参考訳（メタデータ） (2022-04-07T17:59:19Z)
A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文参考訳（メタデータ） (2022-01-28T10:01:37Z)
Estimating Gaussian Copulas with Missing Data [0.0]
半パラメトリックなモデリングにより、境界面上の事前仮定を回避する方法を示す。このアルゴリズムによって得られた共同分布は、既存の方法よりも基礎的な分布にかなり近い。
論文参考訳（メタデータ） (2022-01-14T17:20:44Z)
A similarity-based Bayesian mixture-of-experts model [0.5156484100374058]
多変量回帰問題に対する新しい非パラメトリック混合実験モデルを提案する。条件付きモデルを用いて、サンプル外入力の予測は、観測された各データポイントと類似性に基づいて行われる。混合物のパラメータと距離測定値に基づいて後部推論を行う。
論文参考訳（メタデータ） (2020-12-03T18:08:30Z)
Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文参考訳（メタデータ） (2020-07-21T08:18:06Z)
Sparse Cholesky covariance parametrization for recovering latent structure in ordered data [1.5349431582672617]
共分散行列のコレスキー因子における任意の零パターンに着目する。そこで本研究では,行列損失のペナル化に基づく新しい推定手法を提案する。実験結果に基づいて、各設定にどの方法がより適切か分析する。
論文参考訳（メタデータ） (2020-06-02T08:35:00Z)
Covariance Estimation for Matrix-valued Data [9.739753590548796]
本研究では,高次元行列データに対する分布自由正規化共分散推定法を提案する。我々は、バンド可能な共分散を推定するための統一的な枠組みを定式化し、ランク1の制約のないクロネッカー積近似に基づく効率的なアルゴリズムを導入する。格子状温度異常データセットとS&P 500ストックデータ解析によるシミュレーションと実応用を用いて,本手法の優れた有限サンプル性能を実証した。
論文参考訳（メタデータ） (2020-04-11T02:15:26Z)

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。