論文の概要: Over-the-Air Statistical Estimation

• arxiv url: http://arxiv.org/abs/2103.04014v1
• Date: Sat, 6 Mar 2021 03:07:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 15:06:23.244456
• Title: Over-the-Air Statistical Estimation
• Title（参考訳）: 過空統計的推定
• Authors: Chuan-Zheng Lee, Leighton Pate Barnes and Ayfer Ozgur
• Abstract要約: 2乗誤差損失下でのガウス多重アクセスチャネル(MAC)上の分散ミニマックス統計推定のためのスキームと下限について検討する。 物理層を用いた推定手法は,物理層抽象に依存したディジタルスキームによる推定誤差を大幅に低減することを示した。
• 参考スコア（独自算出の注目度）: 4.082216579462796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study schemes and lower bounds for distributed minimax statistical estimation over a Gaussian multiple-access channel (MAC) under squared error loss, in a framework combining statistical estimation and wireless communication. First, we develop "analog" joint estimation-communication schemes that exploit the superposition property of the Gaussian MAC and we characterize their risk in terms of the number of nodes and dimension of the parameter space. Then, we derive information-theoretic lower bounds on the minimax risk of any estimation scheme restricted to communicate the samples over a given number of uses of the channel and show that the risk achieved by our proposed schemes is within a logarithmic factor of these lower bounds. We compare both achievability and lower bound results to previous "digital" lower bounds, where nodes transmit errorless bits at the Shannon capacity of the MAC, showing that estimation schemes that leverage the physical layer offer a drastic reduction in estimation error over digital schemes relying on a physical-layer abstraction.
• Abstract（参考訳）: 統計的推定と無線通信を組み合わせた枠組みで,2乗誤差損失下におけるガウス多重アクセスチャネル(MAC)上の分散ミニマックス統計推定のためのスキームと下限について検討する。 まず,ガウスmacの重ね合わせ特性を利用した"アナログ"共同推定通信スキームを開発し,それらのリスクをパラメータ空間のノード数と次元の観点で特徴付ける。 そこで,提案手法によって得られるリスクは,これらの下限の対数係数内にあることを示すために,チャネルの所定の数でサンプルを通信するために制限された推定スキームの最小値リスクに関する情報理論的下限を導出する。 そこでは、MACのシャノン容量でエラーのないビットをノードが送信し、物理層を利用する推定スキームは、物理層抽象化に依存するデジタルスキーム上の推定誤差を大幅に削減することを示しています。

関連論文リスト

• High-probability minimax lower bounds [2.5993680263955947]
  ミニマックス量子化の概念を導入し、その量子化レベルへの依存を明確にする。 我々は、古典的なル・カム法とファノ法の高確率変種を開発し、局所的なミニマックスリスクの下限をミニマックス量子化上の下限に変換する技術を開発した。
  論文  参考訳（メタデータ） (2024-06-19T11:15:01Z)
• Optimal Estimation and Computational Limit of Low-rank Gaussian Mixtures [12.868722327487752]
  本稿では,各行列値の観測値に低ランク構造が植え付けられていることを前提として,低ランクガウス混合モデル(LrMM)を提案する。 一般に計算不可能な最大極大推定器の最小極大最適性を証明する。 以上の結果から,ミニマックス誤差率と統計的-計算的ギャップの相転移が明らかとなった。
  論文  参考訳（メタデータ） (2022-01-22T12:43:25Z)
• On the Minimal Adversarial Perturbation for Deep Neural Networks with Provable Estimation Error [65.51757376525798]
  敵の摂動の存在は、証明可能な堅牢性に関する興味深い研究ラインを開いた。 検証可能な結果は、コミットしたエラーを見積り、バウンドするものではない。 本稿では,最小対向摂動を求めるための2つの軽量戦略を提案する。 その結果, 提案手法は, 分類に近い試料の理論的距離とロバスト性を近似し, 敵攻撃に対する確実な保証が得られた。
  論文  参考訳（メタデータ） (2022-01-04T16:40:03Z)
• Keep it Tighter -- A Story on Analytical Mean Embeddings [0.6445605125467574]
  カーネル技術は、データサイエンスにおいて最も人気があり柔軟なアプローチの一つである。 平均埋め込みは、最大平均不一致(MMD)と呼ばれる分岐測度をもたらす。 本稿では,基礎となる分布の1つの平均埋め込みが解析的に利用可能である場合のMDD推定の問題に焦点をあてる。
  論文  参考訳（メタデータ） (2021-10-15T21:29:27Z)
• Non asymptotic estimation lower bounds for LTI state space models with Cram\'er-Rao and van Trees [1.14219428942199]
  本研究では,未知の共分散のガウス励起を持つ線形時間不変(LTI)状態空間モデルに対する推定問題について検討する。 予測される推定誤差と最小二乗推定器の平均二乗推定リスクに対して非下界を与える。 その結果, 推定リスクを期待して, 既存の下限を下限に拡張し, 改善した。
  論文  参考訳（メタデータ） (2021-09-17T15:00:25Z)
• Divergence Frontiers for Generative Models: Sample Complexity, Quantization Level, and Frontier Integral [58.434753643798224]
  多様性フロンティアは生成モデルの評価フレームワークとして提案されている。 分岐フロンティアのプラグイン推定器のサンプル複雑性の非漸近的境界を確立する。 また,スムーズな分布推定器の統計的性能を調べることにより,分散フロンティアの枠組みも強化する。
  論文  参考訳（メタデータ） (2021-06-15T06:26:25Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Learning Minimax Estimators via Online Learning [55.92459567732491]
  確率分布のパラメータを推定するミニマックス推定器を設計する際の問題点を考察する。 混合ケースナッシュ平衡を求めるアルゴリズムを構築した。
  論文  参考訳（メタデータ） (2020-06-19T22:49:42Z)
• Robust Density Estimation under Besov IPM Losses [10.079698681921672]
  ハマー汚染モデルにおける非パラメトリック密度推定の最小収束率について検討した。 再スケールされた閾値ウェーブレット級数推定器は,多種多様な損失の下で最小収束率を達成することを示す。
  論文  参考訳（メタデータ） (2020-04-18T11:30:35Z)
• Distribution Approximation and Statistical Estimation Guarantees of Generative Adversarial Networks [82.61546580149427]
  GAN(Generative Adversarial Networks)は教師なし学習において大きな成功を収めている。 本稿では,H'older空間における密度データ分布推定のためのGANの近似と統計的保証を提供する。
  論文  参考訳（メタデータ） (2020-02-10T16:47:57Z)

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。