論文の概要: On learning parametric distributions from quantized samples
- arxiv url: http://arxiv.org/abs/2105.12019v1
- Date: Tue, 25 May 2021 15:38:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-26 13:36:49.622284
- Title: On learning parametric distributions from quantized samples
- Title(参考訳): 量子化サンプルからのパラメトリック分布の学習について
- Authors: Septimia Sarbu and Abdellatif Zaidi
- Abstract要約: ネットワーク内の量子化サンプルからパラメトリック分布を学習する問題を考察する。
具体的には、$n$エージェントまたはセンサーが未知のパラメトリック分布の独立したサンプルを観察し、それぞれが、観察されたサンプルを中央プロセッサに記述するために$k$ビットを使用する。
一般の$L_p$-normsと関連するワッサーシュタイン損失の2つの損失に対する推定誤差の最小値を求める。
- 参考スコア(独自算出の注目度): 14.924672048447338
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We consider the problem of learning parametric distributions from their
quantized samples in a network. Specifically, $n$ agents or sensors observe
independent samples of an unknown parametric distribution; and each of them
uses $k$ bits to describe its observed sample to a central processor whose goal
is to estimate the unknown distribution. First, we establish a generalization
of the well-known van Trees inequality to general $L_p$-norms, with $p > 1$, in
terms of Generalized Fisher information. Then, we develop minimax lower bounds
on the estimation error for two losses: general $L_p$-norms and the related
Wasserstein loss from optimal transport.
- Abstract(参考訳): ネットワーク内の量子化サンプルからパラメトリック分布を学習する問題を考察する。
特に、$n$エージェントまたはセンサーは、未知のパラメトリック分布の独立したサンプルを観測し、それぞれが、そのサンプルを未知の分布を推定することを目的とした中央プロセッサに記述するために$k$ビットを使用する。
まず、よく知られたバンツリーの不等式を一般のl_p$-ノルムに一般化し、一般のフィッシャー情報を用いて $p > 1$ とする。
次に,2つの損失に対する推定誤差に対するminimaxlowboundsを開発する: general $l_p$-norms と関連するwaserstein loss from optimal transport である。
関連論文リスト
- Out-Of-Domain Unlabeled Data Improves Generalization [0.7589678255312519]
本稿では,ラベルなしデータを半教師付き分類問題に組み込む新しい枠組みを提案する。
ラベルのないサンプルは一般化ギャップを狭めるために利用できることを示す。
我々は、さまざまな合成および実世界のデータセットで実施された実験を通じて、我々の主張を検証する。
論文 参考訳(メタデータ) (2023-09-29T02:00:03Z) - Robust computation of optimal transport by $\beta$-potential
regularization [79.24513412588745]
最適輸送(OT)は、確率分布間の差を測定する機械学習分野で広く使われているツールである。
我々は、いわゆる$beta$-divergenceに付随するベータポテンシャル項でOTを正規化することを提案する。
提案アルゴリズムで計算した輸送行列は,外乱が存在する場合でも確率分布を頑健に推定するのに役立つことを実験的に実証した。
論文 参考訳(メタデータ) (2022-12-26T18:37:28Z) - On counterfactual inference with unobserved confounding [36.18241676876348]
独立だが不均一な単位を持つ観測的研究を前提として、各単位の反実分布を学習することが目的である。
我々は、すべての$n$サンプルをプールして、すべての$n$パラメータベクトルを共同で学習する凸目的を導入する。
対数的ソボレフ不等式を満たすためにコンパクトに支持された分布に対して十分な条件を導出する。
論文 参考訳(メタデータ) (2022-11-14T04:14:37Z) - Robust Estimation for Nonparametric Families via Generative Adversarial
Networks [92.64483100338724]
我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。
我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。
技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
論文 参考訳(メタデータ) (2022-02-02T20:11:33Z) - A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。
ブレグマン最小化の発散の観点から一般的な枠組みを開発する。
我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
論文 参考訳(メタデータ) (2021-12-07T01:23:20Z) - Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。
粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
論文 参考訳(メタデータ) (2021-10-06T16:58:34Z) - Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。
我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。
MRP のサブクラスに対する minimax の下位境界を証明する。
論文 参考訳(メタデータ) (2021-09-24T14:48:20Z) - Covariance-Aware Private Mean Estimation Without Private Covariance Estimation [10.036088581191592]
2つのサンプル係数差分プライベート平均推定器を$d$-dimensional(sub)Gaussian分布に対して提案する。
我々の推定子は、$| tildemu - mu |_Sigma leq alpha$, where $| cdot |_Sigma$がマハラノビス距離であるような$tildemu$を出力します。
論文 参考訳(メタデータ) (2021-06-24T21:40:07Z) - $k$-Variance: A Clustered Notion of Variance [23.57925128327]
我々は,ランダム二成分マッチングの機構に基づく分散の一般化である $k$-variance を導入する。
1次元測度、クラスター測度、低次元部分集合に集中した測度など、いくつかの重要な場合において、この量の詳細分析を行う。
論文 参考訳(メタデータ) (2020-12-13T04:25:32Z) - 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) - Quantum Communication Complexity of Distribution Testing [114.31181206328276]
2人のプレーヤーが1つのディストリビューションから$t$のサンプルを受け取ります。
目標は、2つの分布が等しいか、または$epsilon$-far であるかどうかを決定することである。
この問題の量子通信複雑性が$tildeO$(tepsilon2)$ qubitsであることを示す。
論文 参考訳(メタデータ) (2020-06-26T09:05:58Z)
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。