論文の概要: Adaptive Estimation of $\text{MTP}_2$ Graphical Models
- arxiv url: http://arxiv.org/abs/2210.15471v1
- Date: Thu, 27 Oct 2022 14:21:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 13:47:37.239071
- Title: Adaptive Estimation of $\text{MTP}_2$ Graphical Models
- Title(参考訳): $\text{MTP}_2$図形モデルの適応推定
- Authors: Jiaxi Ying, Jos\'e Vin\'icius de M. Cardoso, Daniel P. Palomar
- Abstract要約: ガウス図形モデルにおける(対角的に支配的な)M-行列を精度行列として推定する問題を考える。
複数の段階からなる適応的推定法を提案する。
提案手法は,精度行列の推定とグラフエッジの同定において,最先端の手法より優れている。
- 参考スコア(独自算出の注目度): 13.47131471222723
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of estimating (diagonally dominant) M-matrices as
precision matrices in Gaussian graphical models. Such models have received
increasing attention in recent years, and have shown interesting properties,
e.g., the maximum likelihood estimator exists with as little as two
observations regardless of the underlying dimension. In this paper, we propose
an adaptive estimation method, which consists of multiple stages: In the first
stage, we solve an $\ell_1$-regularized maximum likelihood estimation problem,
which leads to an initial estimate; in the subsequent stages, we iteratively
refine the initial estimate by solving a sequence of weighted
$\ell_1$-regularized problems. We further establish the theoretical guarantees
on the estimation error, which consists of optimization error and statistical
error. The optimization error decays to zero at a linear rate, indicating that
the estimate is refined iteratively in subsequent stages, and the statistical
error characterizes the statistical rate. The proposed method outperforms
state-of-the-art methods in estimating precision matrices and identifying graph
edges, as evidenced by synthetic and financial time-series data sets.
- Abstract(参考訳): ガウス図形モデルにおけるm行列を精度行列として推定する問題を考える。
このようなモデルは近年注目を集めており、基礎となる次元に関係なく最大確率推定器が2つ以下の観測値で存在するなど、興味深い性質を示している。
本稿では,複数の段階からなる適応的推定法を提案する。第1段階では$\ell_1$-regularized maximum likelihood estimation problemを解いて初期推定を行い,その後,重み付き$\ell_1$-regularized 問題の列を解いて,初期推定を反復的に洗練する。
さらに,最適化誤差と統計誤差からなる推定誤差に関する理論的保証を確立する。
最適化誤差は線形速度でゼロに減衰し、その後の段階で見積もりが反復的に洗練されることを示し、統計誤差は統計率を特徴づける。
提案手法は,合成および金融時系列データセットで証明されるように,精度行列の推定とグラフエッジの同定において最先端手法よりも優れている。
関連論文リスト
- Regularized Projection Matrix Approximation with Applications to Community Detection [1.3761665705201904]
本稿では,アフィニティ行列からクラスタ情報を復元するための正規化プロジェクション行列近似フレームワークを提案する。
3つの異なるペナルティ関数について検討し, それぞれが有界, 正, スパースシナリオに対応するように調整した。
合成および実世界の両方のデータセットで行った数値実験により、我々の正規化射影行列近似アプローチはクラスタリング性能において最先端の手法を著しく上回っていることが明らかとなった。
論文 参考訳(メタデータ) (2024-05-26T15:18:22Z) - Convex Parameter Estimation of Perturbed Multivariate Generalized
Gaussian Distributions [18.95928707619676]
本稿では,MGGDパラメータの確立された特性を持つ凸定式化を提案する。
提案するフレームワークは, 精度行列, 平均, 摂動の様々な正規化を組み合わせ, 柔軟である。
実験により, 平均ベクトルパラメータに対して, 同様の性能でより正確な精度と共分散行列推定を行うことができた。
論文 参考訳(メタデータ) (2023-12-12T18:08:04Z) - Intrinsic Bayesian Cramér-Rao Bound with an Application to Covariance Matrix Estimation [49.67011673289242]
本稿では, 推定パラメータが滑らかな多様体内にある推定問題に対して, 新たな性能境界を提案する。
これはパラメータ多様体の幾何学と推定誤差測度の本質的な概念を誘導する。
論文 参考訳(メタデータ) (2023-11-08T15:17:13Z) - Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood
Estimation for Latent Gaussian Models [69.22568644711113]
我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。
理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。
シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
論文 参考訳(メタデータ) (2023-06-05T21:08:34Z) - A Generalized Latent Factor Model Approach to Mixed-data Matrix
Completion with Entrywise Consistency [3.299672391663527]
マトリックスコンプリート(Matrix completion)は、部分的に観察された行列における欠落したエントリの予測に関する機械学習手法のクラスである。
非線型因子モデルの一般族の下での低ランク行列推定問題として定式化する。
低ランク行列を推定するためのエントリーワイドな一貫した推定器を提案する。
論文 参考訳(メタデータ) (2022-11-17T00:24:47Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳(メタデータ) (2022-10-21T13:19:45Z) - Graph Polynomial Convolution Models for Node Classification of
Non-Homophilous Graphs [52.52570805621925]
本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。
得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。
提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
論文 参考訳(メタデータ) (2022-09-12T04:46:55Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳(メタデータ) (2021-03-05T04:42:32Z) - Asymptotic Errors for Teacher-Student Convex Generalized Linear Models
(or : How to Prove Kabashima's Replica Formula) [23.15629681360836]
凸一般化線形モデルの再構成性能に関する解析式を検証した。
解析的継続を行えば、結果を凸(非強直)問題に拡張できることを示す。
主流学習法に関する数値的な例で,本主張を述べる。
論文 参考訳(メタデータ) (2020-06-11T16:26:35Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳(メタデータ) (2020-04-17T12:47:04Z)
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。