論文の概要: Rates of convergence for density estimation with GANs

• arxiv url: http://arxiv.org/abs/2102.00199v1
• Date: Sat, 30 Jan 2021 09:59:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 15:44:15.667593
• Title: Rates of convergence for density estimation with GANs
• Title（参考訳）: GANを用いた密度推定における収束率
• Authors: Denis Belomestny, Eric Moulines, Alexey Naumov, Nikita Puchkin, and Sergey Samsonov
• Abstract要約: バニラ生成逆数ネットワーク(GAN)の非漸近特性について検討する。 Jensen-Shannon (JS) divergence at the rate $(log n/n)2beta/(2beta+d)$ where $n$ is the sample size and $beta$ determines the smoothness of $p*.$ これは、JS が $beta で $n-1/2$ より高速なバニラ GAN を用いた密度推定の文献の最初の結果である。
• 参考スコア（独自算出の注目度）: 8.804759113538037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We undertake a precise study of the non-asymptotic properties of vanilla generative adversarial networks (GANs) and derive theoretical guarantees in the problem of estimating an unknown $d$-dimensional density $p^*$ under a proper choice of the class of generators and discriminators. We prove that the resulting density estimate converges to $p^*$ in terms of Jensen-Shannon (JS) divergence at the rate $(\log n/n)^{2\beta/(2\beta+d)}$ where $n$ is the sample size and $\beta$ determines the smoothness of $p^*.$ This is the first result in the literature on density estimation using vanilla GANs with JS rates faster than $n^{-1/2}$ in the regime $\beta>d/2.$
• Abstract（参考訳）: 我々は,gans (vanilla generative adversarial networks) の非漸近的性質の精密な研究を行い, 生成器と判別器のクラスを適切に選択して, 未知のd$次元密度 $p^*$ を推定する問題において, 理論的保証を導出する。 結果の密度推定は、$(\log n/n)^{2\beta/(2\beta+d)}$の速度で、$(\log n/n)^{2\beta/(2\beta+d)}$の点で$p^*$に収束することを証明する。$\beta$は$p^*の滑らかさを決定する。

関連論文リスト

• Classical shadows of fermions with particle number symmetry [0.0]
  我々は、全ての$k$還元密度行列が、少なくとも$$binometakbigを用いて、平均の$epsilon2$と同時に推定されることを証明した。 これは、$binomnksqrtpi k/epsilon2$以前のアプローチのスケーリングに対する超指数的改善である。
  論文  参考訳（メタデータ） (2022-08-18T17:11:12Z)
• Bounding the Width of Neural Networks via Coupled Initialization -- A Worst Case Analysis [121.9821494461427]
  2層ReLUネットワークに必要なニューロン数を著しく削減する方法を示す。 また、事前の作業を改善するための新しい下位境界を証明し、ある仮定の下では、最善を尽くすことができることを証明します。
  論文  参考訳（メタデータ） (2022-06-26T06:51:31Z)
• Beyond Black Box Densities: Parameter Learning for the Deviated Components [15.501680326749515]
  既知の密度関数の推定は、以前はブラックボックス法によって得られていた可能性がある。 データセットの複雑さが増大すると、既知の推定値から混合分布によって真の密度が逸脱する可能性がある。 我々はワッサーシュタイン計量の下で、最大推定値$lambda*$と$G*$の収束率を確立する。
  論文  参考訳（メタデータ） (2022-02-05T22:44:20Z)
• The Sample Complexity of Robust Covariance Testing [56.98280399449707]
  i. i. d. 形式 $Z = (1-epsilon) X + epsilon B$ の分布からのサンプル。ここで $X$ はゼロ平均で未知の共分散である Gaussian $mathcalN(0, Sigma)$ である。 汚染がない場合、事前の研究は、$O(d)$サンプルを使用するこの仮説テストタスクの単純なテスターを与えた。 サンプル複雑性の上限が $omega(d2)$ for $epsilon$ an arbitrarily small constant and $gamma であることを証明します。
  論文  参考訳（メタデータ） (2020-12-31T18:24:41Z)
• Optimal Sub-Gaussian Mean Estimation in $\mathbb{R}$ [5.457150493905064]
  ガウス下収束を考慮した新しい推定器を提案する。 我々の推定器はその分散に関する事前の知識を必要としない。 我々の推定器の構成と分析は、他の問題に一般化可能なフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-11-17T02:47:24Z)
• Analysis of KNN Density Estimation [56.29748742084386]
  kNN密度推定は、サポートセットが知られている場合、$ell_infty$と$ell_infty$の条件の両方で最小限最適である。 $ell_infty$エラーはミニマックス下限に到達しないが、カーネル密度推定よりは優れている。
  論文  参考訳（メタデータ） (2020-09-30T03:33:17Z)
• Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
  学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。 i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
  論文  参考訳（メタデータ） (2020-07-16T06:44:44Z)
• Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and Variance Reduction [63.41789556777387]
  非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。 Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
  論文  参考訳（メタデータ） (2020-06-04T17:51:00Z)
• Optimal estimation of high-dimensional location Gaussian mixtures [6.947889260024788]
  ワッサーシュタイン距離における混合分布を推定する最小値の値は$Theta((d/n)1/4 + n-1/(4k-2))$である。 また,混合密度はヘリンジャー距離の最適パラメトリックレート$Theta(sqrtd/n)$で推定可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-14T00:11:54Z)
• Curse of Dimensionality on Randomized Smoothing for Certifiable Robustness [151.67113334248464]
  我々は、他の攻撃モデルに対してスムースな手法を拡張することは困難であることを示す。 我々はCIFARに関する実験結果を示し,その理論を検証した。
  論文  参考訳（メタデータ） (2020-02-08T22:02:14Z)

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。