Fugu-MT 論文翻訳(概要): Concentration Inequalities for Statistical Inference

論文の概要: Concentration Inequalities for Statistical Inference

arxiv url: http://arxiv.org/abs/2011.02258v3
Date: Sun, 28 Mar 2021 05:30:11 GMT
ステータス: 処理完了
システム内更新日: 2022-09-29 22:06:20.679798
Title: Concentration Inequalities for Statistical Inference
Title（参考訳）: 統計的推論における濃度不等式
Authors: Huiming Zhang, Song Xi Chen
Abstract要約: 本稿では, 数学統計学の非漸近解析に広く用いられている濃度不等式について概説する。我々は、既知の定数で濃度不等式を説明し、より鋭い定数で既存の境界を改善することを目的としている。
参考スコア（独自算出の注目度）: 3.236217153362305
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper gives a review of concentration inequalities which are widely employed in non-asymptotical analyses of mathematical statistics in a wide range of settings, from distribution-free to distribution-dependent, from sub-Gaussian to sub-exponential, sub-Gamma, and sub-Weibull random variables, and from the mean to the maximum concentration. This review provides results in these settings with some fresh new results. Given the increasing popularity of high-dimensional data and inference, results in the context of high-dimensional linear and Poisson regressions are also provided. We aim to illustrate the concentration inequalities with known constants and to improve existing bounds with sharper constants.
Abstract（参考訳）: 本稿では, 分布非依存から分布依存まで, サブゲージ変数からサブ指数変数, サブガンマ, サブワイブル変数, および平均から最大濃度まで, 広範囲の数学統計学の非漸近解析において広く用いられている濃度不等式について考察する。このレビューは、これらの設定の結果に新しい結果を与えます。高次元データや推論の普及に伴い、高次元線形回帰やポアソン回帰の文脈における結果も提供される。我々は既知の定数の濃度不等式を説明し、より鋭い定数で既存の境界を改善することを目的とする。

関連論文リスト

Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文参考訳（メタデータ） (2024-10-03T09:07:13Z)
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)
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)
Statistically Optimal Generative Modeling with Maximum Deviation from the Empirical Distribution [2.1146241717926664]
本稿では, 左非可逆なプッシュフォワード写像に制約されたワッサーシュタインGANが, 複製を回避し, 経験的分布から著しく逸脱する分布を生成することを示す。我々の最も重要な寄与は、生成分布と経験的分布の間のワッサーシュタイン-1距離の有限サンプル下界を与える。また、生成分布と真のデータ生成との距離に有限サンプル上限を確立する。
論文参考訳（メタデータ） (2023-07-31T06:11:57Z)
Concentration inequalities for high-dimensional linear processes with dependent innovations [0.0]
Weibull を置換したベクトル線型過程の $l_infty$ ノルムに対する濃度不等式を開発する。これらの不等式を、大次元VAR(p)システムのスパース推定とヘテロレダスティック性および自己相関整合性(HAC)高次元共分散推定に適用する。
論文参考訳（メタデータ） (2023-07-23T18:05:53Z)
Anomaly Detection with Variance Stabilized Density Estimation [49.46356430493534]
本稿では, 観測試料の確率を最大化するための分散安定化密度推定問題を提案する。信頼性の高い異常検知器を得るために,分散安定化分布を学習するための自己回帰モデルのスペクトルアンサンブルを導入する。我々は52のデータセットで広範なベンチマークを行い、我々の手法が最先端の結果につながることを示した。
論文参考訳（メタデータ） (2023-06-01T11:52:58Z)
Classification of Heavy-tailed Features in High Dimensions: a Superstatistical Approach [1.4469725791865984]
我々は2つのデータポイントの雲と一般的なセントロイドの混合の学習を特徴付ける。得られた推定器の一般化性能について検討し、正規化の役割を解析し、分離性遷移を解析した。
論文参考訳（メタデータ） (2023-04-06T07:53:05Z)
Concentration inequalities for leave-one-out cross validation [1.90365714903665]
評価器の安定性が十分であることを示すことで,残余のクロスバリデーションが健全な手順であることを示す。対数的ソボレフの不等式を満たす分布を持つ確率変数に頼って結果を得る。
論文参考訳（メタデータ） (2022-11-04T14:08:53Z)
Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文参考訳（メタデータ） (2022-02-23T06:11:49Z)
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)
Sharper Sub-Weibull Concentrations: Non-asymptotic Bai-Yin's Theorem [0.0]
非漸近集中不等式は、機械学習と統計学の有限サンプル理論において重要な役割を果たす。独立部分ワイブル確率変数の和に対する、よりシャープで定数に比例した濃度不等式を得る。負二項回帰の応用において、スパース構造を持つ$ell$-errorを与え、これは負二項回帰の新しい結果である。
論文参考訳（メタデータ） (2021-02-04T07:16:27Z)

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。