論文の概要: Bayesian matrix completion with a spectral scaled Student prior:
theoretical guarantee and efficient sampling
- arxiv url: http://arxiv.org/abs/2104.08191v1
- Date: Fri, 16 Apr 2021 16:03:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 17:25:22.441490
- Title: Bayesian matrix completion with a spectral scaled Student prior:
theoretical guarantee and efficient sampling
- Title(参考訳): スペクトルスケール付き学生によるベイズ行列の完成:理論的保証と効率的なサンプリング
- Authors: The Tien Mai
- Abstract要約: スペクトルスケールされた学生プリエントは、データマトリックスの下位低ランク構造を好むために利用される。
提案手法は,本手法がモデル不特定条件下でうまく機能することを保証し,極小最適オラクル不等式を満足することを示す。
- 参考スコア(独自算出の注目度): 0.30458514384586394
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the problem of matrix completion in this paper. A spectral scaled
Student prior is exploited to favour the underlying low-rank structure of the
data matrix. Importantly, we provide a thorough theoretical investigation for
our approach, while such an analysis is hard to obtain and limited in
theoretical understanding of Bayesian matrix completion. More precisely, we
show that our Bayesian approach enjoys a minimax-optimal oracle inequality
which guarantees that our method works well under model misspecification and
under general sampling distribution. Interestingly, we also provide efficient
gradient-based sampling implementations for our approach by using Langevin
Monte Carlo which is novel in Bayesian matrix completion. More specifically, we
show that our algorithms are significantly faster than Gibbs sampler in this
problem. To illustrate the attractive features of our inference strategy, some
numerical simulations are conducted and an application to image inpainting is
demonstrated.
- Abstract(参考訳): 本稿では,行列完備化の問題について考察する。
スペクトルスケールされた学生プリエントは、データマトリックスの下位低ランク構造を好むために利用される。
重要な点は, ベイズ行列の完全性に関する理論的理解が困難であり, 理論的な理解が限られている点である。
より正確には、ベイズ的アプローチは、モデル不特定および一般的なサンプリング分布の下で、我々の方法がうまく機能することを保証する極小最適オラクル不等式を享受していることを示す。
興味深いことに、ベイズ行列の完備化において新しいランゲヴィン・モンテカルロを用いて、効率的な勾配に基づくサンプリング実装を提供する。
より具体的には、この問題における我々のアルゴリズムはGibbsサンプルよりもはるかに高速であることを示す。
推論戦略の魅力的な特徴を説明するため,いくつかの数値シミュレーションを行い,画像塗布への応用を示す。
関連論文リスト
- Regularization by denoising: Bayesian model and Langevin-within-split
Gibbs sampling [6.453497703172228]
本稿では,正則化・復号化(RED)パラダイムと相反する確率的手法を導出することにより,画像インバージョンのためのベイズ的枠組みを提案する。
これは、AXDA(Anally exact data augmentation)に基づいて、結果の後方分布からサンプリングするために特別に調整されたモンテカルロアルゴリズムを実装している。
提案アルゴリズムはスプリットギブスサンプリング(SGS)の近似例であり、ランゲヴィン・モンテカルロのステップを埋め込む。
論文 参考訳(メタデータ) (2024-02-19T17:12:16Z) - 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) - Matrix Completion with Hypergraphs:Sharp Thresholds and Efficient
Algorithms [5.405890484609721]
本稿では,ソーシャルグラフやハイパーグラフだけでなく,サブサンプル行列のエントリにもとづく評価行列の完成問題を考察する。
評価行列を正確に完遂するタスクに対して,サンプル確率にエンフシャープしきい値が存在することを示す。
我々は,観測されたグラフやハイパーグラフを効果的に活用する計算効率の良い行列補完アルゴリズムを開発した。
論文 参考訳(メタデータ) (2024-01-16T08:25:29Z) - Spectral Entry-wise Matrix Estimation for Low-Rank Reinforcement
Learning [53.445068584013896]
低ランク構造を持つ強化学習(RL)における行列推定問題について検討した。
低ランク帯では、回収される行列は期待される腕の報酬を指定し、低ランクマルコフ決定プロセス(MDP)では、例えばMDPの遷移カーネルを特徴付ける。
簡単なスペクトルベースの行列推定手法は,行列の特異部分空間を効率よく復元し,ほぼ最小の入力誤差を示すことを示す。
論文 参考訳(メタデータ) (2023-10-10T17:06:41Z) - Large-scale Bayesian Structure Learning for Gaussian Graphical Models
using Marginal Pseudo-likelihood [0.28675177318965045]
我々は,マルコフ連鎖モンテカルロ(MCMC)探索アルゴリズムを2種類導入し,ベイズ的手法よりも計算コストが大幅に低いことを示した。
これらのアルゴリズムは、1000変数の大規模問題であっても、標準コンピュータ上でわずか数分で信頼性の高い結果を提供できる。
シミュレーション研究は,提案アルゴリズム,特に大規模スパースグラフにおいて,計算効率と精度の点でベイズ的手法より優れていることを示す。
論文 参考訳(メタデータ) (2023-06-30T20:37:40Z) - Matrix Completion from General Deterministic Sampling Patterns [28.116011361245224]
我々は、精度よく近似した低ランク行列完備問題の理論的保証を確立する。
観測グラフが十分に接続されており、類似ノード次数を持つため、このアルゴリズムが成功することを示す。
論文 参考訳(メタデータ) (2023-06-04T07:01:31Z) - On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。
分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
論文 参考訳(メタデータ) (2022-02-28T13:01:04Z) - Incremental Semi-Supervised Learning Through Optimal Transport [0.0]
本研究では, 半指導的学習のための2成分エッジ重み付きグラフを用いた新しいアプローチを提案する。
提案手法は,ラベル付きデータポイントと非ラベル付きデータポイントで定義された経験的測度間の規則化された最適輸送を用いて,最適輸送計画から親和性行列を得る。
論文 参考訳(メタデータ) (2021-03-22T15:31:53Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳(メタデータ) (2020-09-28T15:22:24Z) - Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
我々は高密度サブグラフ発見のための新しい学習問題を導入する。
まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。
そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-06-24T11:37:33Z) - Nearly Linear Row Sampling Algorithm for Quantile Regression [54.75919082407094]
データの次元にほぼ線形なサンプル複雑性を持つ量子化損失関数の行サンプリングアルゴリズムを提案する。
行サンプリングアルゴリズムに基づいて、量子レグレッションの最も高速なアルゴリズムと、バランスの取れた有向グラフのグラフスペーシフィケーションアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-15T13:40:07Z)
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。