論文の概要: Performance of Distribution Regression with Doubling Measure under the
seek of Closest Point
- arxiv url: http://arxiv.org/abs/2203.00155v1
- Date: Tue, 1 Mar 2022 00:19:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-03 00:45:08.137273
- Title: Performance of Distribution Regression with Doubling Measure under the
seek of Closest Point
- Title(参考訳): 最接近点を求める2倍尺度による分布回帰特性
- Authors: Ilqar Ramazanli
- Abstract要約: 分布の分布が1より2倍大きいことを前提として分布回帰問題を考察する。
まず、1より大きい2倍の測度を持つ任意の分布の幾何学を探求し、その周りの小さな理論を構築する。
次に, この理論を用いて最も近い分布の1つを適応的に発見し, これらの分布に基づいて回帰値を計算する方法を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the distribution regression problem assuming the distribution of
distributions has a doubling measure larger than one. First, we explore the
geometry of any distributions that has doubling measure larger than one and
build a small theory around it. Then, we show how to utilize this theory to
find one of the nearest distributions adaptively and compute the regression
value based on these distributions. Finally, we provide the accuracy of the
suggested method here and provide the theoretical analysis for it.
- Abstract(参考訳): 分布の分布が1より2倍大きいことを前提として分布回帰問題を考察する。
まず, 2倍の測度を持つ任意の分布の幾何学を探索し,その周りの小さな理論を構築する。
次に,この理論を用いて最も近い分布の1つを適応的に見つけ,それらの分布に基づいて回帰値を計算する方法を示す。
最後に,提案手法の精度と理論的解析について述べる。
関連論文リスト
- Non-asymptotic Convergence of Discrete-time Diffusion Models: New
Approach and Improved Rate [54.596887384531236]
我々は離散時間拡散モデルの下で、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。
パラメータ依存を明示した分布の興味深いクラスに対して,結果の専門化を行う。
本稿では,新しい加速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) - 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) - Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。
実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
論文 参考訳(メタデータ) (2023-03-03T11:31:55Z) - On Best-Arm Identification with a Fixed Budget in Non-Parametric
Multi-Armed Bandits [0.0]
我々は、腕上の分布の一般、おそらくはパラメトリックでないモデルDを考える。
情報理論量に基づいて最適なアームを誤識別する平均対数確率の上限を提案する。
論文 参考訳(メタデータ) (2022-09-30T10:55:40Z) - Score-Based Diffusion meets Annealed Importance Sampling [89.92133671626327]
Annealed Importance Smpling はいまだに限界推定の最も効果的な方法の1つである。
我々は、スコアベース生成モデルにおける最近の進歩を活用し、AIS提案の最適拡張目標分布を近似する。
論文 参考訳(メタデータ) (2022-08-16T12:13:29Z) - Wrapped Distributions on homogeneous Riemannian manifolds [58.720142291102135]
パラメータ、対称性、モダリティなどの分布の性質の制御は、フレキシブルな分布の族を生み出す。
変動型オートエンコーダと潜在空間ネットワークモデル内で提案した分布を利用して,我々のアプローチを実証的に検証する。
論文 参考訳(メタデータ) (2022-04-20T21:25:21Z) - Estimating Gaussian Copulas with Missing Data [0.0]
半パラメトリックなモデリングにより、境界面上の事前仮定を回避する方法を示す。
このアルゴリズムによって得られた共同分布は、既存の方法よりも基礎的な分布にかなり近い。
論文 参考訳(メタデータ) (2022-01-14T17:20:44Z) - 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) - Parametrization invariant interpretation of priors and posteriors [0.0]
我々は,「事前分布がモデルのパラメータ上で確率分布を確立する」という考え方から,「事前分布が確率分布を超えた確率分布を確立する」という考え方に移行した。
この考え方の下では、確率分布上の任意の分布は「内在的」であり、つまり多様体に選択される特定のパラメトリゼーションに不変である。
論文 参考訳(メタデータ) (2021-05-18T06:45:05Z) - On the capacity of deep generative networks for approximating
distributions [8.798333793391544]
ニューラルネットワークが一次元音源分布をワッサーシュタイン距離の高次元目標分布に任意に近い分布に変換することを証明した。
近似誤差は周囲次元で最も直線的に増加することが示されている。
$f$-divergences は、サンプルを生成するための分布の指標として、Waserstein 距離よりも適切ではない。
論文 参考訳(メタデータ) (2021-01-29T01:45:02Z) - Exploring Maximum Entropy Distributions with Evolutionary Algorithms [0.0]
与えられた制約集合に対する最大エントロピー確率分布を数値的に発展させる方法を示す。
進化的アルゴリズムは、よく知られた分析結果の近似を得ることができる。
分布の多くが対称で連続である理由を説明するが、いくつかはそうではない。
論文 参考訳(メタデータ) (2020-02-05T19:52:05Z)
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。