論文の概要: Unsupervised spectral-band feature identification for optimal process
discrimination
- arxiv url: http://arxiv.org/abs/2212.03800v1
- Date: Wed, 7 Dec 2022 17:32:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 15:22:18.203657
- Title: Unsupervised spectral-band feature identification for optimal process
discrimination
- Title（参考訳）: 最適プロセス識別のための教師なしスペクトル帯域特徴同定
- Authors: Akash Tiwari and Satish Bukkapatnam
- Abstract要約: EGO-MDAは、2つのクラスからのスペクトルのサンプルに対して最適なスペクトル帯域を$underlinealpha*$で識別する教師なし手法である。
異常追跡のための最適スペクトルバンドリングの工学的応用として、EGO-MDAは、試験された他の方法と比較して、中央値の約70%の改善を達成した。
- 参考スコア（独自算出の注目度）: 1.2691047660244335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Changes in real-world dynamic processes are often described in terms of
differences in energies $\textbf{E}(\underline{\alpha})$ of a set of
spectral-bands $\underline{\alpha}$. Given continuous spectra of two classes
$A$ and $B$, or in general, two stochastic processes $S^{(A)}(f)$ and
$S^{(B)}(f)$, $f \in \mathbb{R}^+$, we address the ubiquitous problem of
identifying a subset of intervals of $f$ called spectral-bands
$\underline{\alpha} \subset \mathbb{R}^+$ such that the energies
$\textbf{E}(\underline{\alpha})$ of these bands can optimally discriminate
between the two classes. We introduce EGO-MDA, an unsupervised method to
identify optimal spectral-bands $\underline{\alpha}^*$ for given samples of
spectra from two classes. EGO-MDA employs a statistical approach that
iteratively minimizes an adjusted multinomial log-likelihood (deviance)
criterion $\mathcal{D}(\underline{\alpha},\mathcal{M})$. Here, Mixture
Discriminant Analysis (MDA) aims to derive MLE of two GMM distribution
parameters, i.e., $\mathcal{M}^* = \underset{\mathcal{M}}{\rm
argmin}~\mathcal{D}(\underline{\alpha}, \mathcal{M})$ and identify a classifier
that optimally discriminates between two classes for a given spectral
representation. The Efficient Global Optimization (EGO) finds the
spectral-bands $\underline{\alpha}^* = \underset{\underline{\alpha}}{\rm
argmin}~\mathcal{D}(\underline{\alpha},\mathcal{M})$ for given GMM parameters
$\mathcal{M}$. For pathological cases of low separation between mixtures and
model misspecification, we discuss the effect of the sample size and the number
of iterations on the estimates of parameters $\mathcal{M}$ and therefore the
classifier performance. A case study on a synthetic data set is provided. In an
engineering application of optimal spectral-banding for anomaly tracking,
EGO-MDA achieved at least 70% improvement in the median deviance relative to
other methods tested.
- Abstract（参考訳）: 実世界の動的過程の変化は、エネルギーの差$\textbf{E}(\underline{\alpha})$のスペクトルバンドの集合$\underline{\alpha}$の点でしばしば説明される。
a$ と $b$ の2つのクラスの連続スペクトル、あるいは一般には、2つの確率過程 $s^{(a)}(f)$ と $s^{(b)}(f)$, $f \in \mathbb{r}^+$ が与えられると、スペクトルバンド $\underline{\alpha} \subset \mathbb{r}^+$ と呼ばれる区間のサブセットを識別するユビキタスな問題に対処し、これらのバンドのエネルギー $\textbf{e}(\underline{\alpha})$ は2つのクラスを最適に判別することができる。
EGO-MDAは、2つのクラスからのスペクトルのサンプルに対して最適なスペクトルバンドを同定するための教師なし手法である。
EGO-MDA は、調整された多項対数類似度 (deviance) 基準を反復的に最小化する統計的アプローチを採用している。
ここで、MDA(Mixture Discriminant Analysis)は、2つのGMM分布パラメータ、すなわち$\mathcal{M}^* = \underset{\mathcal{M}}{\rm argmin}~\mathcal{D}(\underline{\alpha}, \mathcal{M})$からMLEを導出し、与えられたスペクトル表現に対して最適に2つのクラスを識別する分類器を同定することを目的としている。
効率的なグローバル最適化 (ego) は、与えられた gmm パラメータ $\mathcal{m}$ に対して、スペクトル帯域 $\underline{\alpha}^* = \underset{\underline{\alpha}}{\rm argmin}~\mathcal{d}(\underline{\alpha},\mathcal{m})$ を求める。
混合とモデル誤特定の分離率の低い病理例について,パラメータ$\mathcal{m}$の推定値に対するサンプルサイズと反復数の影響と,それゆえ分類器の性能について検討する。
合成データセットに関するケーススタディを提供する。
異常追跡のための最適スペクトルバンドリングの工学的応用として、EGO-MDAは、試験された他の方法と比較して、中央値の約70%の改善を達成した。
関連論文リスト
- A computational transition for detecting correlated stochastic block models by low-degree polynomials [13.396246336911842]
一対のランダムグラフにおける相関性の検出は、近年広く研究されている基本的な統計的および計算上の問題である。
一対の相関ブロックモデル $mathcalS(n,tfraclambdan;k,epsilon;s)$ を共通の親ブロックモデル $mathcalS(n,tfraclambdan;k,epsilon;s)$ からサブサンプリングする。
隣接部のエントリーのエンスロー度に基づくテストに焦点をあてる
論文 参考訳（メタデータ） (2024-09-02T06:14:05Z) - Tackling Combinatorial Distribution Shift: A Matrix Completion
Perspective [42.85196869759168]
a) テストランダムデータおよびトレーニングランダムデータの下で、ラベル$z$は、(x,y)$, (b) トレーニングディストリビューションは、別々に$x$と$y$の限界分布をカバーしているが、(c) テストディストリビューションは、トレーニングディストリビューションがカバーしていない製品ディストリビューションの例を含む。
論文 参考訳（メタデータ） (2023-07-12T21:17:47Z) - Near Sample-Optimal Reduction-based Policy Learning for Average Reward
MDP [58.13930707612128]
この研究は、平均報酬マルコフ決定過程(AMDP)における$varepsilon$-Optimal Policyを得る際のサンプルの複雑さを考察する。
我々は、状態-作用対当たりの$widetilde O(H varepsilon-3 ln frac1delta)$サンプルを証明し、$H := sp(h*)$は任意の最適ポリシーのバイアスのスパンであり、$varepsilon$は精度、$delta$は失敗確率である。
論文 参考訳（メタデータ） (2022-12-01T15:57:58Z) - Learning a Single Neuron with Adversarial Label Noise via Gradient
Descent [50.659479930171585]
モノトン活性化に対する $mathbfxmapstosigma(mathbfwcdotmathbfx)$ の関数について検討する。
学習者の目標は仮説ベクトル $mathbfw$ that $F(mathbbw)=C, epsilon$ を高い確率で出力することである。
論文 参考訳（メタデータ） (2022-06-17T17:55:43Z) - An Improved Analysis of Gradient Tracking for Decentralized Machine
Learning [34.144764431505486]
トレーニングデータが$n$エージェントに分散されるネットワーク上での分散機械学習を検討する。
エージェントの共通の目標は、すべての局所損失関数の平均を最小化するモデルを見つけることである。
ノイズのない場合、$p$を$mathcalO(p-1)$から$mathcalO(p-1)$に改善します。
論文 参考訳（メタデータ） (2022-02-08T12:58:14Z) - Random matrices in service of ML footprint: ternary random features with
no performance loss [55.30329197651178]
我々は、$bf K$ の固有スペクトルが$bf w$ の i.d. 成分の分布とは独立であることを示す。
3次ランダム特徴(TRF)と呼ばれる新しいランダム手法を提案する。
提案したランダムな特徴の計算には乗算が不要であり、古典的なランダムな特徴に比べてストレージに$b$のコストがかかる。
論文 参考訳（メタデータ） (2021-10-05T09:33:49Z) - Provable Robustness of Adversarial Training for Learning Halfspaces with
Noise [95.84614821570283]
ラベル雑音の存在下での敵対的ロバストなハーフスペースの特性を分析する。
我々の知る限りでは、これは敵の訓練がノイズの分類子を与えることを示す最初の研究である。
論文 参考訳（メタデータ） (2021-04-19T16:35:38Z) - Nearly Minimax Optimal Reinforcement Learning for Linear Mixture Markov
Decision Processes [91.38793800392108]
本稿では,マルコフ決定過程(MDP)の遷移確率核が線形混合モデルである線形関数近似による強化学習について検討する。
上記の線形混合 MDP に対して$textUCRL-VTR+$ という線形関数近似を用いた計算効率の良い新しいアルゴリズムを提案する。
我々の知る限り、これらは線形関数近似を持つRLのための計算効率が良く、ほぼ最小のアルゴリズムである。
論文 参考訳（メタデータ） (2020-12-15T18:56:46Z) - Nonparametric Learning of Two-Layer ReLU Residual Units [22.870658194212744]
本稿では,線形整列ユニット(ReLU)を活性化した2層残基を学習するアルゴリズムについて述べる。
解析最小化器はそのパラメータと非線形性の観点から、正確な地上構造ネットワークを表現できる機能として層ワイドな目的を設計する。
我々は,アルゴリズムの統計的強い一貫性を証明し,実験によるアルゴリズムの堅牢性とサンプル効率を実証する。
論文 参考訳（メタデータ） (2020-08-17T22:11:26Z) - Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and
Variance Reduction [63.41789556777387]
非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。
Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
論文 参考訳（メタデータ） (2020-06-04T17:51:00Z)
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。