論文の概要: Robust Geodesic Regression
- arxiv url: http://arxiv.org/abs/2007.04518v3
- Date: Tue, 25 Jan 2022 06:30:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 03:59:35.396441
- Title: Robust Geodesic Regression
- Title(参考訳): ロバスト測地回帰
- Authors: Ha-Young Shin and Hee-Seok Oh
- Abstract要約: 我々は、ロバストな測地回帰を行うために、$L_1$, Huber および Tukey biweight 推定器を含むM型推定器を使用する。
実際のニューロイメージングデータの解析を含む数値的な例の結果は、提案手法の有望な経験的性質を実証している。
- 参考スコア(独自算出の注目度): 6.827783641211451
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies robust regression for data on Riemannian manifolds.
Geodesic regression is the generalization of linear regression to a setting
with a manifold-valued dependent variable and one or more real-valued
independent variables. The existing work on geodesic regression uses the
sum-of-squared errors to find the solution, but as in the classical Euclidean
case, the least-squares method is highly sensitive to outliers. In this paper,
we use M-type estimators, including the $L_1$, Huber and Tukey biweight
estimators, to perform robust geodesic regression, and describe how to
calculate the tuning parameters for the latter two. We also show that, on
compact symmetric spaces, all M-type estimators are maximum likelihood
estimators, and argue for the overall superiority of the $L_1$ estimator over
the $L_2$ and Huber estimators on high-dimensional manifolds and over the Tukey
biweight estimator on compact high-dimensional manifolds. Results from
numerical examples, including analysis of real neuroimaging data, demonstrate
the promising empirical properties of the proposed approach.
- Abstract(参考訳): 本稿ではリーマン多様体のデータに対するロバスト回帰を研究する。
測地回帰(Geodesic regression)は、多様体値依存変数と1つ以上の実値独立変数を持つ集合への線型回帰の一般化である。
ジオデシック回帰に関する既存の研究は、解を見つけるために二乗誤差の和を用いるが、古典ユークリッドの場合と同様に、最小二乗法は外れ値に対して非常に敏感である。
本稿では,M型推定器 ($L_1$, Huber および Tukey biweight 推定器) を用いて,ロバストな測地回帰を行い,後者2つのチューニングパラメータの計算方法について述べる。
また、コンパクトな対称空間上では、すべての m-型推定器は最大確率推定器であり、高次元多様体上の $l_2$ とフーバー推定器およびコンパクト高次元多様体上のタキー二重推定器に対する $l_1$ 推定器の全体的優位性を議論する。
実際の神経画像データの解析を含む数値例から得られた結果は,提案手法の有望な経験的特性を示している。
関連論文リスト
- Conformal inference for regression on Riemannian Manifolds [49.7719149179179]
回帰シナリオの予測セットは、応答変数が$Y$で、多様体に存在し、Xで表される共変数がユークリッド空間にあるときに検討する。
我々は、多様体上のこれらの領域の経験的バージョンが、その集団に対するほぼ確実に収束していることを証明する。
論文 参考訳(メタデータ) (2023-10-12T10:56:25Z) - Multifidelity Covariance Estimation via Regression on the Manifold of
Symmetric Positive Definite Matrices [0.0]
我々の多様体回帰多相性(MRMF)共分散推定器は、多様体空間上の特定の誤差モデルの下での最大可能性推定器であることを示す。
数値的な例を通して、推定器は最大1桁の精度で2乗推定誤差を抑えることができることを示した。
論文 参考訳(メタデータ) (2023-07-23T21:46:55Z) - Curvature-Independent Last-Iterate Convergence for Games on Riemannian
Manifolds [77.4346324549323]
本研究では, 多様体の曲率に依存しないステップサイズが, 曲率非依存かつ直線的最終点収束率を達成することを示す。
我々の知る限りでは、曲率非依存率や/または最終点収束の可能性はこれまでに検討されていない。
論文 参考訳(メタデータ) (2023-06-29T01:20:44Z) - Understanding Augmentation-based Self-Supervised Representation Learning
via RKHS Approximation and Regression [53.15502562048627]
最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。
この研究は、増強に基づく事前訓練の統計的分析に発展する。
論文 参考訳(メタデータ) (2023-06-01T15:18:55Z) - Random Forest Weighted Local Fr\'echet Regression with Random Objects [52.25304029942005]
本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。
最初の方法は,これらの重みを局所平均として利用し,条件付きFr'echet平均を解く。
第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
論文 参考訳(メタデータ) (2022-02-10T09:10:59Z) - Non-Asymptotic Guarantees for Robust Statistical Learning under
$(1+\varepsilon)$-th Moment Assumption [0.716879432974126]
本稿では,統計レグレッションの多種族を対象としたログトランケート型M-メチエータを提案する。
標準推定よりもログトランケート推定の方が優れていることを示す。
論文 参考訳(メタデータ) (2022-01-10T06:22:30Z) - Online nonparametric regression with Sobolev kernels [99.12817345416846]
我々は、ソボレフ空間のクラス上の後悔の上限を$W_pbeta(mathcalX)$, $pgeq 2, beta>fracdp$ とする。
上界は minimax regret analysis で支えられ、$beta> fracd2$ または $p=infty$ の場合、これらの値は(本質的に)最適である。
論文 参考訳(メタデータ) (2021-02-06T15:05:14Z) - Support estimation in high-dimensional heteroscedastic mean regression [2.28438857884398]
ランダムな設計と、潜在的にヘテロセダスティックで重み付きエラーを伴う線形平均回帰モデルを考える。
我々は,問題のパラメータに依存するチューニングパラメータを備えた,厳密な凸・滑らかなHuber損失関数の変種を用いる。
得られた推定器に対して、$ell_infty$ノルムにおける符号一貫性と最適収束率を示す。
論文 参考訳(メタデータ) (2020-11-03T09:46:31Z) - $\gamma$-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。