論文の概要: Recovery of Sparse Signals from a Mixture of Linear Samples

• arxiv url: http://arxiv.org/abs/2006.16406v2
• Date: Tue, 14 Jul 2020 16:38:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 14:31:05.654463
• Title: Recovery of Sparse Signals from a Mixture of Linear Samples
• Title（参考訳）: 線形サンプルの混合によるスパース信号の復元
• Authors: Arya Mazumdar and Soumyabrata Pal
• Abstract要約: 線形回帰の混合は、不均一なデータを表現するために広く使用される一般的な学習理論モデルである。 最近の研究は,この問題に対するモデルリカバリの実験的設計に焦点をあてている。 本研究では、このクエリ複雑性問題に対処し、これまで最もよく知られていた結果を改善する効率的なアルゴリズムを提供する。
• 参考スコア（独自算出の注目度）: 44.3425205248937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mixture of linear regressions is a popular learning theoretic model that is used widely to represent heterogeneous data. In the simplest form, this model assumes that the labels are generated from either of two different linear models and mixed together. Recent works of Yin et al. and Krishnamurthy et al., 2019, focus on an experimental design setting of model recovery for this problem. It is assumed that the features can be designed and queried with to obtain their label. When queried, an oracle randomly selects one of the two different sparse linear models and generates a label accordingly. How many such oracle queries are needed to recover both of the models simultaneously? This question can also be thought of as a generalization of the well-known compressed sensing problem (Cand\`es and Tao, 2005, Donoho, 2006). In this work, we address this query complexity problem and provide efficient algorithms that improves on the previously best known results.
• Abstract（参考訳）: 線形回帰の混合は、異種データを表現するために広く使われる一般的な学習理論モデルである。 最も単純な形式では、2つの異なる線形モデルからラベルが生成され、混合されると仮定する。 Yin et al.とKrishnamurthy et al., 2019の最近の研究は、この問題に対するモデルリカバリの実験的設計設定に焦点を当てている。 それらの特徴を設計・クエリしてラベルを得ることが可能であると考えられる。 クエリを行うと、オラクルは2つの異なるスパース線形モデルの1つをランダムに選択し、それに応じてラベルを生成する。 両方のモデルを同時にリカバリするために、oracleのクエリはいくつ必要か? この問題は、よく知られた圧縮センシング問題の一般化とも考えられる(Cand\`es and Tao, 2005, Donoho, 2006)。 本研究では,この問合せの複雑性問題に対処し,これまで最もよく知られた結果に基づいて効率的なアルゴリズムを提供する。

関連論文リスト

• Agnostic Learning of Mixed Linear Regressions with EM and AM Algorithms [22.79595679373698]
  混合線形回帰は統計学と機械学習においてよく研究されている問題である。 本稿では、サンプルから混合線形回帰を学習する際のより一般的な問題について考察する。 AMアルゴリズムとEMアルゴリズムは, 集団損失最小化器に収束することにより, 混合線形回帰学習につながることを示す。
  論文  参考訳（メタデータ） (2024-06-03T09:43:24Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• On Learning Mixture Models with Sparse Parameters [44.3425205248937]
  本研究では, 高次元スパルス潜時パラメータベクトルの混合について検討し, これらのベクトルの回復支援問題について考察する。 潜伏空間の次元に対数的サンプル複雑性が依存する回復支援のための効率的なアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2022-02-24T07:44:23Z)
• Towards a Better Understanding of Linear Models for Recommendation [28.422943262159933]
  2つの基本回帰および行列分解法に対する閉形式解の導出と解析を行う。 閉形式解に対するパラメータ(ハイパーパラメータ)の探索に新しい学習アルゴリズムを導入する。 実験の結果、基本モデルとその閉形式解は、確かに最先端モデルと非常に競合することを示した。
  論文  参考訳（メタデータ） (2021-05-27T04:17:04Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Mixtures of Gaussian Processes for regression under multiple prior distributions [0.0]
  ガウス過程回帰のための混合モデルの概念を拡張し、複数の先行する信念を同時に扱う。 本手法は,関数回帰問題における先行的誤特定の問題を考慮に入れたものである。
  論文  参考訳（メタデータ） (2021-04-19T10:19:14Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome [62.997667081978825]
  我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。 私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。 提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
  論文  参考訳（メタデータ） (2020-08-01T10:36:27Z)
• Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
  乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。 アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。 ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
  論文  参考訳（メタデータ） (2020-02-20T10:50:58Z)
• Unsupervised Pool-Based Active Learning for Linear Regression [29.321275647107928]
  本稿では,線形回帰問題に対する教師なしプールベースALについて検討する。 本稿では,ALにおける3つの重要な基準である,情報性,代表性,多様性を同時に考慮した新たなALアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-14T20:00:10Z)

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。