論文の概要: Closed-Form, Provable, and Robust PCA via Leverage Statistics and
Innovation Search
- arxiv url: http://arxiv.org/abs/2106.12190v1
- Date: Wed, 23 Jun 2021 06:36:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-24 15:29:42.416216
- Title: Closed-Form, Provable, and Robust PCA via Leverage Statistics and
Innovation Search
- Title(参考訳): レバレッジ統計とイノベーションサーチによるクローズドフォーム,プロビブル,ロバストPCA
- Authors: Mostafa Rahmani and Ping Li
- Abstract要約: 本稿では,2次コスト関数の下で,Innovation Searchアルゴリズムによって計算されるイノベーション値について検討する。
新たなコスト関数を持つイノベーションバリューは,レバレッジスコアと同値であることが証明された。
この興味深い接続を利用して、Levanage ScoreベースのロバストPCA法に対するいくつかの理論的保証を確立する。
- 参考スコア(独自算出の注目度): 25.229137979402584
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The idea of Innovation Search, which was initially proposed for data
clustering, was recently used for outlier detection. In the application of
Innovation Search for outlier detection, the directions of innovation were
utilized to measure the innovation of the data points. We study the Innovation
Values computed by the Innovation Search algorithm under a quadratic cost
function and it is proved that Innovation Values with the new cost function are
equivalent to Leverage Scores. This interesting connection is utilized to
establish several theoretical guarantees for a Leverage Score based robust PCA
method and to design a new robust PCA method. The theoretical results include
performance guarantees with different models for the distribution of outliers
and the distribution of inliers. In addition, we demonstrate the robustness of
the algorithms against the presence of noise. The numerical and theoretical
studies indicate that while the presented approach is fast and closed-form, it
can outperform most of the existing algorithms.
- Abstract(参考訳): データクラスタリングのために最初に提案されたInnovation Searchのアイデアは、最近、外れ値検出に使用された。
異常検出のためのイノベーション探索の応用において、データポイントの革新を測定するためにイノベーションの方向性が活用された。
本研究では,革新探索アルゴリズムで計算された革新価値を二次コスト関数で検討し,新しいコスト関数を用いた革新価値がスコアの活用に等しいことを証明した。
この興味深い接続は、Levanage ScoreベースのロバストPCA法に対するいくつかの理論的保証を確立し、新しいロバストPCA法を設計するために利用される。
理論的には、アウトリアー分布とインリアー分布の異なるモデルによるパフォーマンス保証が含まれる。
さらに,ノイズの存在に対するアルゴリズムの堅牢性を示す。
数値的および理論的研究は、提案手法は高速かつ閉形式であるが、既存のアルゴリズムの大部分を上回ることができることを示している。
関連論文リスト
- Echoes of Socratic Doubt: Embracing Uncertainty in Calibrated Evidential
Reinforcement Learning [1.9202125044890677]
提案アルゴリズムは,共形推論の原理に基づいて,深い明解学習と量子キャリブレーションを組み合わせる。
ミニチュア化されたアタリゲームスイート(MinAtar)でテストされる。
論文 参考訳(メタデータ) (2024-02-11T05:17:56Z) - Model-Free Algorithm with Improved Sample Efficiency for Zero-Sum Markov
Games [71.0315408565146]
モデルフリーのステージベースQ-ラーニングアルゴリズムはモデルベースアルゴリズムと同じ$H$依存の最適性を享受できることを示す。
本アルゴリズムは,楽観的値関数と悲観的値関数のペアとして参照値関数を更新するキーとなる新しい設計を特徴とする。
論文 参考訳(メタデータ) (2023-08-17T08:34:58Z) - STEERING: Stein Information Directed Exploration for Model-Based
Reinforcement Learning [111.75423966239092]
遷移モデルの現在の推定値と未知の最適値との間の積分確率距離(IPM)の観点から探索インセンティブを提案する。
KSDに基づく新しいアルゴリズムを開発した。 textbfSTEin information dirtextbfEcted Explor for model-based textbfReinforcement Learntextbfing。
論文 参考訳(メタデータ) (2023-01-28T00:49:28Z) - New Machine Learning Techniques for Simulation-Based Inference:
InferoStatic Nets, Kernel Score Estimation, and Kernel Likelihood Ratio
Estimation [4.415977307120616]
確率密度を標本化できるが直接計算できない場合のスコアと確率比推定器をモデル化する機械学習手法を提案する。
我々はそれぞれKernel Score Estimation (KSE) と Kernel Likelihood Ratio Estimation (KLRE) と呼ばれる新しい戦略を導入し、シミュレーションデータからスコアと確率比関数を学習する。
論文 参考訳(メタデータ) (2022-10-04T15:22:56Z) - Risk Minimization from Adaptively Collected Data: Guarantees for
Supervised and Policy Learning [57.88785630755165]
経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。
本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。
政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
論文 参考訳(メタデータ) (2021-06-03T09:50:13Z) - Cross Learning in Deep Q-Networks [82.20059754270302]
本稿では、値に基づく強化学習手法において、よく知られた過大評価問題を緩和することを目的とした、新しいクロスQ-ラーニングアルゴリズムを提案する。
本アルゴリズムは,並列モデルの集合を維持し,ランダムに選択されたネットワークに基づいてQ値を算出することによって,二重Q-ラーニングに基づいて構築する。
論文 参考訳(メタデータ) (2020-09-29T04:58:17Z) - SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。
我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。
アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
論文 参考訳(メタデータ) (2020-06-12T10:40:46Z) - Hierarchical and Efficient Learning for Person Re-Identification [19.172946887940874]
階層的大域的, 部分的, 回復的特徴を複数の損失結合の監督の下で学習する, 階層的, 効率的なネットワーク(HENet)を提案する。
また,RPE (Random Polygon Erasing) と呼ばれる新しいデータセット拡張手法を提案する。
論文 参考訳(メタデータ) (2020-05-18T15:45:25Z) - Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。
上記のプロパティをすべて享受する既存のメソッドはありません。
本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
論文 参考訳(メタデータ) (2020-02-25T15:12:15Z) - Inferential Induction: A Novel Framework for Bayesian Reinforcement
Learning [6.16852156844376]
本稿では,データから値関数分布を正確に推定する新しいフレームワークInferential Injectionについて述べる。
本研究では,提案アルゴリズムが技術状況に対して競争力があることを実験的に実証した。
論文 参考訳(メタデータ) (2020-02-08T06:19:15Z) - Outlier Detection and Data Clustering via Innovation Search [27.107601048639637]
そこで本研究では,PCA法の設計にイノベーションの方向性を活用できることを新たに発見する。
提案手法はiSearchと呼ばれ、方向探索最適化問題を用いて各データポイントに対応する最適方向を算出する。
論文 参考訳(メタデータ) (2019-12-30T16:29:04Z)
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。