論文の概要: Matrix optimization based Euclidean embedding with outliers
- arxiv url: http://arxiv.org/abs/2012.12772v1
- Date: Wed, 23 Dec 2020 16:26:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 23:10:23.825981
- Title: Matrix optimization based Euclidean embedding with outliers
- Title(参考訳): 行列最適化に基づく外れ値付きユークリッド埋め込み
- Authors: Qian Zhang, Xinyuan Zhao, Chao Ding
- Abstract要約: 本稿では,信頼度の高い組込みを生成できる行列最適化に基づく組込みモデルを提案する。
数値実験は、行列最適化に基づくモデルが高品質の構成を生成し、大規模なネットワークでもアウトプライヤをうまく識別できることを示しています。
- 参考スコア(独自算出の注目度): 4.219333707563623
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Euclidean embedding from noisy observations containing outlier errors is an
important and challenging problem in statistics and machine learning. Many
existing methods would struggle with outliers due to a lack of detection
ability. In this paper, we propose a matrix optimization based embedding model
that can produce reliable embeddings and identify the outliers jointly. We show
that the estimators obtained by the proposed method satisfy a non-asymptotic
risk bound, implying that the model provides a high accuracy estimator with
high probability when the order of the sample size is roughly the degree of
freedom up to a logarithmic factor. Moreover, we show that under some mild
conditions, the proposed model also can identify the outliers without any prior
information with high probability. Finally, numerical experiments demonstrate
that the matrix optimization-based model can produce configurations of high
quality and successfully identify outliers even for large networks.
- Abstract(参考訳): 異常誤差を含むノイズ観測からのユークリッド埋め込みは、統計と機械学習において重要かつ困難な問題である。
既存の多くの手法は検出能力の欠如のために異常値に悩まされた。
本稿では,信頼度の高い組込みを生成できる行列最適化に基づく組込みモデルを提案する。
提案手法により得られた推定器は非漸近的リスク境界を満たすことを示し、サンプルサイズの順序が対数係数までほぼ自由度である場合、モデルが高い確率で高精度な推定器を提供することを示す。
さらに,いくつかの穏やかな条件下では,提案手法は,事前情報を高い確率で特定できることを示す。
最後に, 行列最適化に基づくモデルを用いて, 高品質な構成を導出し, 大規模ネットワークにおいても外れ値の同定に成功した。
関連論文リスト
- RIGID: Robust Linear Regression with Missing Data [7.638042073679073]
機能に欠落したエントリで線形回帰を行うための堅牢なフレームワークを提案する。
本稿では,変数間の依存性を自然に考慮した定式化が,凸プログラムに還元されることを示す。
詳細な分析に加えて,提案するフレームワークの挙動を分析し,技術的議論を行う。
論文 参考訳(メタデータ) (2022-05-26T21:10:17Z) - Theoretical characterization of uncertainty in high-dimensional linear
classification [24.073221004661427]
本研究では,高次元入力データとラベルの限られたサンプル数から学習する不確実性が,近似メッセージパッシングアルゴリズムによって得られることを示す。
我々は,信頼度を適切に正則化することで緩和する方法について論じるとともに,損失に対するクロスバリデーションが0/1誤差よりもキャリブレーションが優れていることを示す。
論文 参考訳(メタデータ) (2022-02-07T15:32:07Z) - Maximum Likelihood Uncertainty Estimation: Robustness to Outliers [3.673994921516517]
トレーニングデータのアウトレーヤやノイズラベルは、劣化したパフォーマンスと不確実性の誤った推定をもたらす。
そこで本研究では,オフレイアに対するロバスト性を改善するために,重み付き分布を用いることを提案する。
論文 参考訳(メタデータ) (2022-02-03T10:41:34Z) - Near-optimal inference in adaptive linear regression [52.92329015445238]
最小二乗推定において分布異常を補正するオンラインデバイアス推定器を提案する。
データ収集過程の温和な条件下で,提案したオンラインデバイアス推定器の正規性特性を確立する。
我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
論文 参考訳(メタデータ) (2021-07-05T21:05:11Z) - Robust Out-of-Distribution Detection on Deep Probabilistic Generative
Models [0.06372261626436676]
アウト・オブ・ディストリビューション(OOD)検出は機械学習システムにおいて重要な課題である。
深い確率的生成モデルは、データサンプルの可能性を推定することによって、OODの検出を容易にする。
本稿では,外周露光を伴わない新しい検出指標を提案する。
論文 参考訳(メタデータ) (2021-06-15T06:36:10Z) - Evaluating State-of-the-Art Classification Models Against Bayes
Optimality [106.50867011164584]
正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。
われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
論文 参考訳(メタデータ) (2021-06-07T06:21:20Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Outlier-Robust Learning of Ising Models Under Dobrushin's Condition [57.89518300699042]
本研究では, サンプルの一定割合が逆向きに破壊されるような外乱条件下で, ドブルシンの条件を満たすIsingモデルの学習問題について検討する。
我々の主な成果は、ほぼ最適誤差保証を伴うこの問題に対して、計算効率のよい最初の頑健な学習アルゴリズムを提供することである。
論文 参考訳(メタデータ) (2021-02-03T18:00:57Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳(メタデータ) (2021-01-02T02:11:37Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳(メタデータ) (2020-12-29T04:08:38Z) - On Statistical Efficiency in Learning [37.08000833961712]
モデルフィッティングとモデル複雑性のバランスをとるためのモデル選択の課題に対処する。
モデルの複雑さを順次拡大し、選択安定性を高め、コストを削減するオンラインアルゴリズムを提案します。
実験の結果, 提案手法は予測能力が高く, 計算コストが比較的低いことがわかった。
論文 参考訳(メタデータ) (2020-12-24T16:08:29Z)
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。