論文の概要: As Easy as ABC: Adaptive Binning Coincidence Test for Uniformity Testing
- arxiv url: http://arxiv.org/abs/2110.06325v1
- Date: Tue, 12 Oct 2021 20:19:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-15 07:30:05.452425
- Title: As Easy as ABC: Adaptive Binning Coincidence Test for Uniformity Testing
- Title(参考訳): ABCと同じくらい簡単: 一様性テストのための適応的バインディング共入テスト
- Authors: Sudeep Salgia, Qing Zhao, Lang Tong
- Abstract要約: 代替仮説の下で未知の分布に適応するシーケンシャルテストを提案する。
提案したテストのサンプル複雑性と低いバウンダリを確立する。
- 参考スコア(独自算出の注目度): 13.028716493611789
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of uniformity testing of Lipschitz continuous
distributions with bounded support. The alternative hypothesis is a composite
set of Lipschitz continuous distributions that are at least $\varepsilon$ away
in $\ell_1$ distance from the uniform distribution. We propose a sequential
test that adapts to the unknown distribution under the alternative hypothesis.
Referred to as the Adaptive Binning Coincidence (ABC) test, the proposed
strategy adapts in two ways. First, it partitions the set of alternative
distributions into layers based on their distances to the uniform distribution.
It then sequentially eliminates the alternative distributions layer by layer in
decreasing distance to the uniform, and subsequently takes advantage of
favorable situations of a distant alternative by exiting early. Second, it
adapts, across layers of the alternative distributions, the resolution level of
the discretization for computing the coincidence statistic. The farther away
the layer is from the uniform, the coarser the discretization is needed for
eliminating/exiting this layer. It thus exits both early in the detection
process and quickly by using a lower resolution to take advantage of favorable
alternative distributions. The ABC test builds on a novel sequential
coincidence test for discrete distributions, which is of independent interest.
We establish the sample complexity of the proposed tests as well as a lower
bound.
- Abstract(参考訳): 有界な支持を持つリプシッツ連続分布の一様性テストの問題を考える。
代替仮説は、一様分布から少なくとも$\varepsilon$が$\ell_1$の距離にあるリプシッツ連続分布の合成集合である。
代替仮説の下で未知の分布に適応するシーケンシャルテストを提案する。
アダプティブ・ビンニング・アソシエーション(abc)テストと呼ばれ、提案された戦略は2つの方法で適応する。
まず、一様分布への距離に基づいて、代替分布の集合を層に分割する。
その後、一様への距離を減らした層によって代替分布層を順次除去し、その後、早期に離脱することで、遠方代替の好ましい状況を利用する。
第二に、別の分布の層にまたがって、偶然の統計を計算するための離散化の解像度レベルに適応する。
層が均一から遠く離れるほど、この層を除去/排出するためには、離散化が必要とされる。
したがって、検出プロセスの早い段階でも、より低い解像度で、好適な代替分布を生かして、迅速に退避する。
abcテストは、独立した関心を持つ離散分布に対する新しい逐次一致テストに基づいている。
提案するテストのサンプルの複雑さと,より低いバウンダリを確立する。
関連論文リスト
- An Improved Algorithm for Learning Drifting Discrete Distributions [2.2191203337341525]
分散ドリフト下で離散分布を学習するための新しい適応アルゴリズムを提案する。
時間とともに変化する離散分布から独立したサンプルの列を観察し、その目標は現在の分布を推定することである。
より多くのサンプルを使用するには、過去にさらにサンプルに頼らなければならず、分布の変化によって生じるバイアスによりドリフトエラーが発生する。
ドリフトに関する事前の知識を必要とせずにこのトレードオフを解くことができる新しい適応アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-03-08T16:54:27Z) - Non-asymptotic Convergence of Discrete-time Diffusion Models: New Approach and Improved Rate [49.97755400231656]
我々はDT拡散過程下での分布のかなり大きなクラスに対する収束保証を確立する。
次に、明示的なパラメータ依存を持つ分布の多くの興味深いクラスに結果を専門化します。
そこで本研究では,新しい加速型サンプリング器を提案し,対応する正則サンプリング器の収束率を,全てのシステムパラメータに対して桁違いに向上することを示す。
論文 参考訳(メタデータ) (2024-02-21T16:11:47Z) - Invariant Anomaly Detection under Distribution Shifts: A Causal
Perspective [6.845698872290768]
異常検出(AD、Anomaly Detection)は、異常なサンプルを識別する機械学習タスクである。
分散シフトの制約の下では、トレーニングサンプルとテストサンプルが同じ分布から引き出されるという仮定が崩壊する。
我々は,異常検出モデルのレジリエンスを,異なる種類の分布シフトに高めようとしている。
論文 参考訳(メタデータ) (2023-12-21T23:20:47Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳(メタデータ) (2023-06-27T08:15:28Z) - A New Paradigm for Generative Adversarial Networks based on Randomized
Decision Rules [8.36840154574354]
Generative Adversarial Network (GAN)は、最近、生成モデルをトレーニングするための新しい機械学習手法として文献で紹介されている。
非パラメトリッククラスタリングや非パラメトリック条件独立テストのような統計学に多くの応用がある。
本稿では,GANがこの問題に苦しむ理由を特定し,それに対応するために,ランダム化決定規則に基づく新しいGANの定式化を提案する。
論文 参考訳(メタデータ) (2023-06-23T17:50:34Z) - Distribution Shift Inversion for Out-of-Distribution Prediction [57.22301285120695]
本稿では,OoD(Out-of-Distribution)予測のためのポータブル分布シフト変換アルゴリズムを提案する。
提案手法は,OoDアルゴリズムを広範囲に接続した場合に,一般的な性能向上をもたらすことを示す。
論文 参考訳(メタデータ) (2023-06-14T08:00:49Z) - Nearest-Neighbor Sampling Based Conditional Independence Testing [15.478671471695794]
条件付きランダム化テスト (CRT) は、2つの確率変数 X と Y が条件付き独立な与えられた確率変数 Z であるかどうかをテストするために最近提案された。
本研究の目的は, 与えられたXの分布の正確な形式を仮定することなく, 隣り合うサンプリングを用いて, CRTの新たな代替品を開発することである。
論文 参考訳(メタデータ) (2023-04-09T07:54:36Z) - Robust Learning of Optimal Auctions [84.13356290199603]
本研究では、入札者の評価値のサンプルを逆向きに破損させたり、逆向きに歪んだ分布から引き出すことができる場合に、サンプルから収益-最適マルチバイダオークションを学習する問題について検討する。
我々は,コルモゴロフ-スミルノフ距離における元の分布に対して$alpha$-closeの「全ての真の分布」に対して,収入がほぼ同時に最適であるメカニズムを学習できる新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-07-13T17:37:21Z) - Distributional Reinforcement Learning via Moment Matching [54.16108052278444]
ニューラルネットワークを用いて各戻り分布から統計量の有限集合を学習する手法を定式化する。
我々の手法は、戻り分布とベルマン目標の間のモーメントの全ての順序を暗黙的に一致させるものとして解釈できる。
Atariゲームスイートの実験により,本手法は標準分布RLベースラインよりも優れていることが示された。
論文 参考訳(メタデータ) (2020-07-24T05:18:17Z) - A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。
予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
論文 参考訳(メタデータ) (2020-07-08T11:35:47Z)
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。