Fugu-MT 論文翻訳(概要): Learning with Comparison Feedback: Online Estimation of Sample Statistics

論文の概要: Learning with Comparison Feedback: Online Estimation of Sample Statistics

arxiv url: http://arxiv.org/abs/2101.04176v1
Date: Mon, 11 Jan 2021 20:28:32 GMT
ステータス: 処理完了
システム内更新日: 2021-04-04 14:29:45.018262
Title: Learning with Comparison Feedback: Online Estimation of Sample Statistics
Title（参考訳）: 比較フィードバックによる学習--サンプル統計のオンライン推定
Authors: Michela Meister and Sloan Nietert
Abstract要約: 本研究では,無作為な雑音ではなく非確率的にフィードバックが生成される雑音二分探索問題のオンライン版について検討する。我々は、整数の逆対数列の中央値の正確な推定を維持する。
参考スコア（独自算出の注目度）: 2.7158841992922875
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study an online version of the noisy binary search problem where feedback is generated by a non-stochastic adversary rather than perturbed by random noise. We reframe this as maintaining an accurate estimate for the median of an adversarial sequence of integers, $x_1, x_2, \dots$, in a model where each number $x_t$ can only be accessed through a single threshold query of the form ${1(x_t \leq q_t)}$. In this online comparison feedback model, we explore estimation of general sample statistics, providing robust algorithms for median, CDF, and mean estimation with nearly matching lower bounds. We conclude with several high-dimensional generalizations.
Abstract（参考訳）: 本研究では, ランダムノイズに悩まされるのではなく, 確率的でない相手からフィードバックが生成される, 雑音二分探索問題のオンライン版について検討する。我々は、各数$x_t$が${1(x_t \leq q_t)}$という形式の単一のしきい値クエリを通してのみアクセス可能なモデルにおいて、逆整数列の中央値である$x_1, x_2, \dots$の正確な推定を維持するように、これを再構成する。このオンライン比較フィードバックモデルでは、一般的なサンプル統計量の推定を行い、平均値、cdf、平均推定のロバストなアルゴリズムを提供する。我々はいくつかの高次元の一般化で結論付ける。

関連論文リスト

GROS: A General Robust Aggregation Strategy [49.1574468325115]
距離空間における推定器を組み合わせるための新しい、非常に一般的な、堅牢な手順が導入された。最小化が標本を乗っ取ると、同じ(定数まで)準ガウス性が得られることを示す。 GROSの性能は5つのシミュレーション研究により評価した。
論文参考訳（メタデータ） (2024-02-23T17:00:32Z)
Online stochastic Newton methods for estimating the geometric median and applications [0.0]
大きなサンプルの文脈では、少数の個人が平均のような基本的な統計指標を損なう可能性がある。本稿では,中央傾向の頑健な指標である確率変数の幾何学的中央値の推定に焦点をあてる。
論文参考訳（メタデータ） (2023-04-03T07:47:20Z)
Replicable Clustering [57.19013971737493]
我々は,統計学的な$k$-medians,統計学的な$k$-means,統計学的な$k$-centers問題のアルゴリズムをブラックボックス方式で近似ルーチンを用いて提案する。理論的結果を検証するブラックボックスとしてsklearnの$k$-means++実装を用いた2次元合成分布の実験も行っている。
論文参考訳（メタデータ） (2023-02-20T23:29:43Z)
Non-Stochastic CDF Estimation Using Threshold Queries [3.6576781735746513]
実験的な分布を2つの課題で推定する問題に取り組む。まず、アルゴリズムはデータを直接観察するのではなく、サンプルについて限られた数のしきい値クエリしか要求しない。第二に、データは独立で同一の分散であると仮定されず、代わりにサンプルを生成する任意のプロセスが可能である。
論文参考訳（メタデータ） (2023-01-13T18:00:57Z)
Convergence for score-based generative modeling with polynomial complexity [9.953088581242845]
我々は、Scoreベースの生成モデルの背後にあるコアメカニックに対する最初の収束保証を証明した。以前の作品と比較すると、時間的に指数関数的に増加するエラーや、次元の呪いに苦しむエラーは発生しない。予測器・相関器はどちらの部分のみを使用するよりも収束性が高いことを示す。
論文参考訳（メタデータ） (2022-06-13T14:57:35Z)
Distributed Sparse Regression via Penalization [5.990069843501885]
エージェントのネットワーク上の線形回帰を、(集中ノードを持たない)無向グラフとしてモデル化する。推定問題は、局所的なLASSO損失関数の和とコンセンサス制約の2次ペナルティの最小化として定式化される。本稿では, ペナル化問題に適用した近似勾配アルゴリズムが, 集中的な統計的誤差の順序の許容値まで線形に収束することを示す。
論文参考訳（メタデータ） (2021-11-12T01:51:50Z)
Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文参考訳（メタデータ） (2021-10-20T12:25:22Z)
Average-Case Communication Complexity of Statistical Problems [48.03761288397421]
通信の複雑さは、ストリーミング、スケッチ、クエリベースのモデルにおける下位境界を証明する主要なツールである。本稿では,ランダムグラフやマトリクスに植木構造を組み込んだ問題に対して,入力分布を保存する一般還元法を提案する。我々は,植林した傾斜地を検知・発見するために,二者間・多者間通信の下限を導出する。
論文参考訳（メタデータ） (2021-07-03T03:31:37Z)
Multi-label Contrastive Predictive Coding [125.03510235962095]
差分相互情報(MI)推定器は、コントラスト予測符号化(CPC)のような教師なし表現学習法で広く利用されている。本稿では,複数の正のサンプルを同時に同定する必要がある多ラベル分類問題に基づく新しい推定器を提案する。同一量の負のサンプルを用いて複数ラベルのCPCが$log m$boundを超えることができる一方で、相互情報の有意な下限であることを示す。
論文参考訳（メタデータ） (2020-07-20T02:46:21Z)
Computationally efficient sparse clustering [67.95910835079825]
我々はPCAに基づく新しいクラスタリングアルゴリズムの有限サンプル解析を行う。ここでは,ミニマックス最適誤クラスタ化率を,体制$|theta infty$で達成することを示す。
論文参考訳（メタデータ） (2020-05-21T17:51:30Z)
Learning Entangled Single-Sample Distributions via Iterative Trimming [28.839136703139225]
そこで本研究では, 反復トリミング標本に基づいて, 簡便かつ効率的な手法を解析し, トリミング標本集合上のパラメータを再推定する。対数反復法では, 誤差が$lceil alpha n rceil$-th ノイズ点の雑音レベルにのみ依存する推定値が出力されることを示す。
論文参考訳（メタデータ） (2020-04-20T18:37:43Z)

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。