論文の概要: Estimation and Quantization of Expected Persistence Diagrams
- arxiv url: http://arxiv.org/abs/2105.04852v1
- Date: Tue, 11 May 2021 08:12:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-12 13:47:35.436509
- Title: Estimation and Quantization of Expected Persistence Diagrams
- Title(参考訳): 期待持続性図の推定と定量化
- Authors: Vincent Divol (DATASHAPE, LMO), Th\'eo Lacombe (DATASHAPE)
- Abstract要約: 本稿では,2つの要約,EPD(Persistence Diagram)とその量子化について検討する。
EPDはR2でサポートされる測定値です。
この推定器は、パラメトリック収束率を持つ大クラスのモデルのミニマックスの観点から最適であることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Persistence diagrams (PDs) are the most common descriptors used to encode the
topology of structured data appearing in challenging learning tasks; think e.g.
of graphs, time series or point clouds sampled close to a manifold. Given
random objects and the corresponding distribution of PDs, one may want to build
a statistical summary-such as a mean-of these random PDs, which is however not
a trivial task as the natural geometry of the space of PDs is not linear. In
this article, we study two such summaries, the Expected Persistence Diagram
(EPD), and its quantization. The EPD is a measure supported on R 2 , which may
be approximated by its empirical counterpart. We prove that this estimator is
optimal from a minimax standpoint on a large class of models with a parametric
rate of convergence. The empirical EPD is simple and efficient to compute, but
possibly has a very large support, hindering its use in practice. To overcome
this issue, we propose an algorithm to compute a quantization of the empirical
EPD, a measure with small support which is shown to approximate with
near-optimal rates a quantization of the theoretical EPD.
- Abstract(参考訳): パーシステンスダイアグラム(pds)は、挑戦的な学習タスクに現れる構造化データのトポロジをエンコードするために使われる最も一般的な記述子である。
グラフでは、時系列または点雲が多様体の近くでサンプリングされた。
ランダムな対象と対応するPDの分布が与えられたとき、これらのランダムなPDの平均のような統計的な要約を構築したいかもしれないが、PDの空間の自然な幾何学は線型ではないので、これは自明なタスクではない。
本稿では,2つの要約,EPD(Preciped Persistence Diagram)とその量子化について検討する。
EPD は R2 上で支持される測度であり、経験的対応によって近似される。
この推定器は、パラメトリック収束率を持つ大クラスのモデルのミニマックスの観点から最適であることを示す。
経験的EPDは単純で効率的に計算できるが、おそらく非常に大きなサポートがあり、実際にの使用を妨げる。
この問題を克服するため,我々は経験的epdの量子化を計算するアルゴリズムを提案する。
関連論文リスト
- A Class of Topological Pseudodistances for Fast Comparison of
Persistence Diagrams [0.3968603035422276]
拡張トポロジカル擬似距離(ETD)という擬似距離のクラスを導入する。
ETDはチューナブルな複雑さを持ち、スライク距離と古典的なワッサーシュタイン距離を高複素度極大で近似することができる。
ETDがPSよりも精度が高く、計算複雑性の点でワッサースタインとスライスされたワッサースタイン距離より優れていることを実験的に検証した。
論文 参考訳(メタデータ) (2024-02-22T12:27:35Z) - Online Heavy-tailed Change-point detection [6.7643284029102295]
我々は,データ生成プロセスの第2モーメントが有界であると仮定した場合でも,クリッピングされたグラディエント・ディクセント(SGD)に基づくアルゴリズムを提案する。
我々は、有界な第2モーメントを持つすべての分布の族に対して、最悪の場合、有限サンプル偽陽性率(FPR)を導出する。
本手法は,データが高次元かつ基礎となる分布が重み付きであっても,有限サンプルFPRを保証する最初のOCPDアルゴリズムである。
論文 参考訳(メタデータ) (2023-06-15T23:39:05Z) - Dimensionality Reduction as Probabilistic Inference [10.714603218784175]
次元性低減(DR)アルゴリズムは、高次元データを低次元表現に圧縮し、データの重要な特徴を保存する。
本稿では,多種多様な古典DRアルゴリズムを確率的推論アルゴリズムとして解釈するProbDR変分フレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-15T23:48:59Z) - FaDIn: Fast Discretized Inference for Hawkes Processes with General
Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。
脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。
その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文 参考訳(メタデータ) (2022-10-10T12:35:02Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳(メタデータ) (2021-12-07T11:26:41Z) - 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) - Nonparametric estimation of continuous DPPs with kernel methods [0.0]
パラメトリックおよび非パラメトリック推論法は、有限の場合、すなわち、点パターンが有限の基底集合に存在する場合において提案されている。
我々は、この最大可能性(MLE)問題の制限バージョンが、RKHSにおける非負関数に対する最近の表現定理の範囲内にあることを示す。
この有限次元問題を解くための固定点アルゴリズムを提案し,解析し,実証する。
論文 参考訳(メタデータ) (2021-06-27T11:57:14Z) - Random Persistence Diagram Generation [4.435094091999926]
トポロジカルデータ分析(TDA)は、データの形状パターンを研究する。
永続ホモロジー(PH、Persistent homology)は、複数のスケールでデータのホモロジー的特徴を要約し、これを永続化図(PD)に格納するTDAで広く使われている手法である。
本論文では,そのデータからランダムなPDのシーケンスを生成する手法として,ランダムな永続化ダイアグラム生成(RPDG)を提案する。
論文 参考訳(メタデータ) (2021-04-15T19:33:01Z) - On Projection Robust Optimal Transport: Sample Complexity and Model
Misspecification [101.0377583883137]
射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$k$次元部分空間を選択する。
私たちの最初の貢献は、PRワッサーシュタイン距離のいくつかの基本的な統計的性質を確立することである。
次に、部分空間を最適化するのではなく平均化することにより、PRW距離の代替として積分PRワッサーシュタイン距離(IPRW)を提案する。
論文 参考訳(メタデータ) (2020-06-22T14:35:33Z) - Projection Robust Wasserstein Distance and Riemannian Optimization [107.93250306339694]
プロジェクション・ソリッドスタイン(PRW)は、ワッサーシュタイン・プロジェクション(WPP)のロバストな変種であることを示す。
本稿では,PRW距離の計算への第一歩として,その理論と実データに関する実験の関連について述べる。
論文 参考訳(メタデータ) (2020-06-12T20:40:22Z) - Neural Methods for Point-wise Dependency Estimation [129.93860669802046]
我々は,2つの結果が共起する確率を定量的に測定する点依存度(PD)の推定に焦点をあてる。
提案手法の有効性を,1)MI推定,2)自己教師付き表現学習,3)クロスモーダル検索タスクで示す。
論文 参考訳(メタデータ) (2020-06-09T23:26:15Z)
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。