論文の概要: Sparse-Group Log-Sum Penalized Graphical Model Learning For Time Series
- arxiv url: http://arxiv.org/abs/2204.13824v1
- Date: Fri, 29 Apr 2022 00:06:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 04:30:38.820970
- Title: Sparse-Group Log-Sum Penalized Graphical Model Learning For Time Series
- Title(参考訳): Sparse-Group Log-Sumによる時系列のグラフィカルモデル学習
- Authors: Jitendra K Tugnait
- Abstract要約: 定常多変量ガウス時系列の条件独立グラフ(CIG)を推定する問題を考察する。
スパース群ラスソに基づく周波数領域の定式化が文献で検討されている。
合成データと実データの両方を活用するアプローチについて説明する。
- 参考スコア(独自算出の注目度): 12.843340232167266
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of inferring the conditional independence graph (CIG)
of a high-dimensional stationary multivariate Gaussian time series. A
sparse-group lasso based frequency-domain formulation of the problem has been
considered in the literature where the objective is to estimate the sparse
inverse power spectral density (PSD) of the data. The CIG is then inferred from
the estimated inverse PSD. In this paper we investigate use of a sparse-group
log-sum penalty (LSP) instead of sparse-group lasso penalty. An alternating
direction method of multipliers (ADMM) approach for iterative optimization of
the non-convex problem is presented. We provide sufficient conditions for local
convergence in the Frobenius norm of the inverse PSD estimators to the true
value. This results also yields a rate of convergence. We illustrate our
approach using numerical examples utilizing both synthetic and real data.
- Abstract(参考訳): 本研究では,高次元定常多変量ガウス時系列の条件独立グラフ(CIG)を推定する問題を考察する。
スパースグループラッソに基づく周波数領域の定式化は、データのスパース逆パワースペクトル密度(PSD)を推定することを目的とする文献において検討されている。
CIGは、推定逆PSDから推定される。
本稿では,スパースグループ対数ペナルティの代わりにスパースグループ対数ペナルティ(LSP)を用いることを検討した。
非凸問題の反復最適化のための乗算器 (ADMM) アプローチの交互方向法を提案する。
我々は、逆psd推定器のフロベニウスノルムを真の値に局所収束させるのに十分な条件を与える。
この結果は収束率ももたらします。
合成データと実データの両方を利用した数値例を用いて,本手法について述べる。
関連論文リスト
- 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) - On diffusion-based generative models and their error bounds: The
log-concave case with full convergence estimates [3.8447306272420816]
我々は,強い対数空間データ分布を仮定して,拡散に基づく生成モデルの収束挙動を理論的に保証する。
我々は、モチベーションの例を通して、未知の平均を持つガウス分布からサンプリングし、我々のアプローチの強力さを実証する。
この手法はサンプリングアルゴリズムにおいて最もよく知られた収束率をもたらす。
論文 参考訳(メタデータ) (2023-11-22T18:40:45Z) - 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$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳(メタデータ) (2023-06-27T08:15:28Z) - Approximating a RUM from Distributions on k-Slates [88.32814292632675]
与えられた分布を平均で最もよく近似するRUMを求める一般化時間アルゴリズムを求める。
我々の理論的結果は、実世界のデータセットに効果的でスケール可能なものを得るという、実践的な結果も得られます。
論文 参考訳(メタデータ) (2023-05-22T17:43:34Z) - Subspace clustering in high-dimensions: Phase transitions \&
Statistical-to-Computational gap [24.073221004661427]
部分空間クラスタリングを研究するための単純なモデルは、高次元の$k$-ガウス混合モデルである。
広帯域な高次元状態における統計的に最適な再構成誤差を正確に評価する。
論文 参考訳(メタデータ) (2022-05-26T17:47:35Z) - Nonconvex Stochastic Scaled-Gradient Descent and Generalized Eigenvector
Problems [98.34292831923335]
オンライン相関解析の問題から,emphStochastic Scaled-Gradient Descent (SSD)アルゴリズムを提案する。
我々はこれらのアイデアをオンライン相関解析に適用し、局所収束率を正規性に比例した最適な1時間スケールのアルゴリズムを初めて導いた。
論文 参考訳(メタデータ) (2021-12-29T18:46:52Z) - From Optimality to Robustness: Dirichlet Sampling Strategies in
Stochastic Bandits [0.0]
本研究では、腕の観察を再サンプリングした経験的指標のペア比較に基づいて、ジェネリックディリクレサンプリング(DS)アルゴリズムについて検討する。
この戦略の異なる変種は、分布が有界であるときに証明可能な最適後悔保証と、半有界分布に対して軽度量子状態の対数後悔を実現することを示す。
論文 参考訳(メタデータ) (2021-11-18T14:34:21Z) - On Sparse High-Dimensional Graphical Model Learning For Dependent Time
Series [23.503820266772504]
本稿では,スパース,高次元定常時系列の条件独立グラフ(CIG)を推定する問題を考察する。
スパースグループラッソに基づく周波数領域の定式化について述べる。
また,ベイズ情報基準に基づくチューニングパラメータの選択についても実験的に検討した。
論文 参考訳(メタデータ) (2021-11-15T16:52:02Z) - Preventing Posterior Collapse with Levenshtein Variational Autoencoder [61.30283661804425]
我々は,エビデンス・ロー・バウンド(ELBO)を最適化し,後部崩壊を防止できる新しい目的に置き換えることを提案する。
本稿では,Levenstein VAEが後方崩壊防止のための代替手法よりも,より情報的な潜伏表現を生成することを示す。
論文 参考訳(メタデータ) (2020-04-30T13:27:26Z) - Generative Modeling with Denoising Auto-Encoders and Langevin Sampling [88.83704353627554]
DAEとDSMの両方がスムーズな人口密度のスコアを推定することを示した。
次に、この結果をarXiv:1907.05600のホモトピー法に適用し、その経験的成功を理論的に正当化する。
論文 参考訳(メタデータ) (2020-01-31T23:50:03Z)
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。