論文の概要: Variable Clustering via Distributionally Robust Nodewise Regression
- arxiv url: http://arxiv.org/abs/2212.07944v1
- Date: Thu, 15 Dec 2022 16:23:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 18:16:41.958365
- Title: Variable Clustering via Distributionally Robust Nodewise Regression
- Title(参考訳): 分散ロバストなノードワイズ回帰による可変クラスタリング
- Authors: Kaizheng Wang, Xiao Xu, Xun Yu Zhou
- Abstract要約: 可変クラスタリングのための多要素ブロックモデルについて検討し、ノード単位回帰の分布的ロバストなバージョンを定式化することにより、正規化サブスペースクラスタリングに接続する。
我々は凸緩和を導出し、ロバスト領域のサイズを選択するためのガイダンスを与え、そのためデータに基づいて正規化重み付けパラメータを提案し、実装のためのADMMアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 7.289979396903827
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study a multi-factor block model for variable clustering and connect it to
the regularized subspace clustering by formulating a distributionally robust
version of the nodewise regression. To solve the latter problem, we derive a
convex relaxation, provide guidance on selecting the size of the robust region,
and hence the regularization weighting parameter, based on the data, and
propose an ADMM algorithm for implementation. We validate our method in an
extensive simulation study. Finally, we propose and apply a variant of our
method to stock return data, obtain interpretable clusters that facilitate
portfolio selection and compare its out-of-sample performance with other
clustering methods in an empirical study.
- Abstract(参考訳): 可変クラスタリングのための多要素ブロックモデルについて検討し、ノード単位回帰の分布的ロバストなバージョンを定式化して正規化サブスペースクラスタリングに接続する。
後者の問題を解決するために、凸緩和法を導出し、ロバスト領域のサイズを選択するためのガイダンスを与え、データに基づいて正規化重み付けパラメータを提案し、実装のためのADMMアルゴリズムを提案する。
本手法を広範囲にわたるシミュレーション研究で検証する。
最後に,本手法の変種をサンプルデータに適用し,ポートフォリオ選択を容易にする解釈可能なクラスタを取得し,そのアウト・オブ・サンプル性能を他のクラスタリング手法と比較する実験的検討を行った。
関連論文リスト
- On diffusion models for amortized inference: Benchmarking and improving
stochastic control and sampling [96.7808454149545]
本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。
シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。
我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
論文 参考訳(メタデータ) (2024-02-07T18:51:49Z) - Aggregation Weighting of Federated Learning via Generalization Bound
Estimation [65.8630966842025]
フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。
上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
論文 参考訳(メタデータ) (2023-11-10T08:50:28Z) - A distribution-free mixed-integer optimization approach to hierarchical
modelling of clustered and longitudinal data [0.0]
クラスタ・アウェア・レグレッションのためのMIO(mixed-integer Optimization)アプローチを作成します。
直流法である線形混合効果回帰法(LMEM)と比較した。
我々の方法は非常に解釈可能な方法で定式化されているかを示す。
論文 参考訳(メタデータ) (2023-02-06T23:34:51Z) - A parallelizable model-based approach for marginal and multivariate
clustering [0.0]
本稿では,モデルに基づくクラスタリングの頑健さを生かしたクラスタリング手法を提案する。
我々は、各マージンごとに異なる数のクラスタを持つことができる有限混合モデルを指定することで、この問題に対処する。
提案手法は、完全な(結合した)モデルベースのクラスタリング手法よりも、中程度から高次元の処理に適するだけでなく、計算的にも魅力的である。
論文 参考訳(メタデータ) (2022-12-07T23:54:41Z) - A One-shot Framework for Distributed Clustered Learning in Heterogeneous
Environments [54.172993875654015]
異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。
ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。
厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
論文 参考訳(メタデータ) (2022-09-22T09:04:10Z) - clusterBMA: Bayesian model averaging for clustering [1.2021605201770345]
本稿では、教師なしクラスタリングアルゴリズムの結果の重み付きモデル平均化を可能にするクラスタBMAを提案する。
クラスタリング内部検証基準を用いて、各モデルの結果の重み付けに使用される後続モデル確率の近似を開発する。
シミュレーションデータ上での他のアンサンブルクラスタリングメソッドのパフォーマンスに加えて、クラスタBMAは平均クラスタへの確率的アロケーションを含むユニークな機能を提供する。
論文 参考訳(メタデータ) (2022-09-09T04:55:20Z) - Simplex Clustering via sBeta with Applications to Online Adjustment of
Black-Box Predictions [17.10067035969846]
我々はk-sBetasと呼ばれる新しい確率的クラスタリング手法を提案する。
クラスタリング分布の一般的な視点を提供し、歪みに基づく手法に基づく統計モデルでは十分説明できないことを強調する。
本定式化は,クラスタデータのモデリングにおける様々なパラメトリック密度を近似し,クラスタバランスバイアスの制御を可能にする。
論文 参考訳(メタデータ) (2022-07-30T18:29:11Z) - Personalized Federated Learning via Convex Clustering [72.15857783681658]
本稿では,局所凸型ユーザコストを用いた個人化フェデレーション学習のためのアルゴリズム群を提案する。
提案するフレームワークは,異なるユーザのモデルの違いをペナル化する凸クラスタリングの一般化に基づいている。
論文 参考訳(メタデータ) (2022-02-01T19:25:31Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳(メタデータ) (2020-07-13T03:27:45Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳(メタデータ) (2020-07-11T19:44:09Z) - Robust Grouped Variable Selection Using Distributionally Robust
Optimization [11.383869751239166]
摂動下での群付き変数選択のための不確実性セットを用いた分布ロバスト最適化(DRO)の定式化を提案する。
我々は,サンプル外損失と推定バイアスの確率的境界を証明し,推定器の群化効果を確立する。
我々の定式化は,群レベルでの空間性を促進する解釈可能で同相なモデルを生成することを示す。
論文 参考訳(メタデータ) (2020-06-10T22:32:52Z)
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。