Fugu-MT 論文翻訳(概要): Sample Complexity Using Infinite Multiview Models

論文の概要: Sample Complexity Using Infinite Multiview Models

arxiv url: http://arxiv.org/abs/2302.04292v1
Date: Wed, 8 Feb 2023 19:11:53 GMT
ステータス: 処理完了
システム内更新日: 2023-02-10 17:41:39.103862
Title: Sample Complexity Using Infinite Multiview Models
Title（参考訳）: 無限多視点モデルを用いたサンプル複雑性
Authors: Robert A. Vandermeulen
Abstract要約: 非負のリプシッツスペクトル (NL-spectrum) は、事実上任意のpdfを特徴づけるために用いられる。この次元に依存しない収束の速度から導出され、NLスペクトルが収束の速さを許容するときに特徴付けられる。
参考スコア（独自算出の注目度）: 14.917420021212912
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent works have demonstrated that the convergence rate of a nonparametric density estimator can be greatly improved by using a low-rank estimator when the target density is a convex combination of separable probability densities with Lipschitz continuous marginals, i.e. a multiview model. However, this assumption is very restrictive and it is not clear to what degree these findings can be extended to general pdfs. This work answers this question by introducing a new way of characterizing a pdf's complexity, the non-negative Lipschitz spectrum (NL-spectrum), which, unlike smoothness properties, can be used to characterize virtually any pdf. Finite sample bounds are presented that are dependent on the target density's NL-spectrum. From this dimension-independent rates of convergence are derived that characterize when an NL-spectrum allows for a fast rate of convergence.
Abstract（参考訳）: 近年の研究では、目標密度が分離可能な確率密度とリプシッツ連続限界値の凸結合である場合、低ランク推定器を用いることで、非パラメトリック密度推定器の収束率を大幅に改善できることが示されている。しかし、この仮定は非常に制限的であり、これらの発見がどの程度一般のpdfに拡張できるかは明らかではない。この研究は、pdfの複雑性を特徴づける新しい方法、非負のリプシッツスペクトル (NL-spectrum) を導入することでこの問題に答える。ターゲット密度のNLスペクトルに依存する有限サンプル境界を示す。この次元に依存しない収束率から、nlスペクトルが収束速度を速くできるときに特徴付けられる収束率が導出される。

関連論文リスト

Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
論文参考訳（メタデータ） (2024-07-11T13:28:34Z)
Tamed Langevin sampling under weaker conditions [27.872857402255775]
ログコンケーブではなく,弱い散逸性しか持たない分布から抽出する問題について検討する。そこで本研究では,対象分布の成長と崩壊特性に合わせたテイミング手法を提案する。提案したサンプルに対して,Kulback-Leiblerの発散,全変動,ワッサーシュタイン距離といった条件で明確な非漸近保証を与える。
論文参考訳（メタデータ） (2024-05-27T23:00:40Z)
Mean-Square Analysis of Discretized It\^o Diffusions for Heavy-tailed Sampling [17.415391025051434]
重み付きポインカーの不等式に関連する伊藤拡散の自然クラスを離散化することにより、重み付き分布のクラスからのサンプリングの複雑さを分析する。平均二乗解析に基づいて、ワッサーシュタイン2計量のターゲット分布に近い分布が$epsilon$のサンプルを得るための反復複雑性を確立する。
論文参考訳（メタデータ） (2023-03-01T15:16:03Z)
High-Probability Bounds for Stochastic Optimization and Variational Inequalities: the Case of Unbounded Variance [59.211456992422136]
制約の少ない仮定の下で高確率収束結果のアルゴリズムを提案する。これらの結果は、標準機能クラスに適合しない問題を最適化するために検討された手法の使用を正当化する。
論文参考訳（メタデータ） (2023-02-02T10:37:23Z)
Kernel-based off-policy estimation without overlap: Instance optimality beyond semiparametric efficiency [53.90687548731265]
本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
論文参考訳（メタデータ） (2023-01-16T02:57:37Z)
Nonparametric Probabilistic Regression with Coarse Learners [1.8275108630751844]
我々は, 密度の形状や形状について最小限の仮定で, 正確な条件密度を計算することができることを示す。このアプローチをさまざまなデータセットで実証し、特に大きなデータセットで競合性能を示す。
論文参考訳（メタデータ） (2022-10-28T16:25:26Z)
Beyond Smoothness: Incorporating Low-Rank Analysis into Nonparametric Density Estimation [20.38883021295225]
タッカー分解に基づく新しい非パラメトリック潜在変数モデルを提案する。提案手法の初歩的な実装により,標準ヒストグラム推定器よりもかなりの性能向上が実証された。
論文参考訳（メタデータ） (2022-04-02T19:45:07Z)
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)
Unadjusted Langevin algorithm for sampling a mixture of weakly smooth potentials [0.0]
我々は,ポアンカーの不等式や球体の外側の非強凸の下での収束保証を証明した。また、滑らかなポテンシャルに対する$L_beta$-Wasserstein 計量の収束も提供する。
論文参考訳（メタデータ） (2021-12-17T04:10:09Z)
Minibatch vs Local SGD with Shuffling: Tight Convergence Bounds and Beyond [63.59034509960994]
シャッフルに基づく変種(ミニバッチと局所ランダムリシャッフル)について検討する。ポリアック・ロジャシエヴィチ条件を満たす滑らかな函数に対して、これらのシャッフル型不変量(英語版)(shuffling-based variants)がそれらの置換式よりも早く収束することを示す収束境界を得る。我々は, 同期シャッフル法と呼ばれるアルゴリズムの修正を提案し, ほぼ均一な条件下では, 下界よりも収束速度が速くなった。
論文参考訳（メタデータ） (2021-10-20T02:25:25Z)
Distributed, partially collapsed MCMC for Bayesian Nonparametrics [68.5279360794418]
ディリクレ法やベータ・ベルヌーリ法のようなモデルでよく用いられる完全無作為測度は独立な部分測度に分解可能であるという事実を利用する。この分解を用いて、潜在測度を、インスタンス化された成分のみを含む有限測度と、他のすべての成分を含む無限測度に分割する。得られたハイブリッドアルゴリズムは、収束保証を犠牲にすることなくスケーラブルな推論を可能にすることができる。
論文参考訳（メタデータ） (2020-01-15T23:10:13Z)

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。