論文の概要: Exact Non-Oblivious Performance of Rademacher Random Embeddings
- arxiv url: http://arxiv.org/abs/2303.11774v1
- Date: Tue, 21 Mar 2023 11:45:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 15:15:05.618491
- Title: Exact Non-Oblivious Performance of Rademacher Random Embeddings
- Title(参考訳): ラデマチャーランダムインベディングの厳密な非公開性能
- Authors: Maciej Skorski and Alessandro Temperoni
- Abstract要約: 本稿では,Rademacherランダムプロジェクションの性能を再検討する。
入力データに関して数値的に鋭く、曖昧でない新しい統計的保証を確立する。
- 参考スコア(独自算出の注目度): 79.28094304325116
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper revisits the performance of Rademacher random projections,
establishing novel statistical guarantees that are numerically sharp and
non-oblivious with respect to the input data. More specifically, the central
result is the Schur-concavity property of Rademacher random projections with
respect to the inputs. This offers a novel geometric perspective on the
performance of random projections, while improving quantitatively on bounds
from previous works. As a corollary of this broader result, we obtained the
improved performance on data which is sparse or is distributed with small
spread. This non-oblivious analysis is a novelty compared to techniques from
previous work, and bridges the frequently observed gap between theory and
practise. The main result uses an algebraic framework for proving
Schur-concavity properties, which is a contribution of independent interest and
an elegant alternative to derivative-based criteria.
- Abstract(参考訳): 本稿では,Rademacherランダムプロジェクションの性能を再検討し,入力データに関して数値的に鋭く,非公開な新しい統計的保証を確立する。
より具体的に言うと、中心となる結果は入力に対するラデマッハランダム射影のシューア共空性である。
これは、ランダムな射影の性能に関する新しい幾何学的視点を提供し、以前の作品からの境界を定量的に改善する。
この広範な結果の結果として,データの分散性や分散性が小さかったデータの性能が向上した。
この非出版的な分析は、以前の研究のテクニックと比べて新しいものであり、しばしば観察される理論と実践のギャップを埋めるものである。
主な結果は、独立な興味の寄与であり、微分ベースの基準に対するエレガントな代替物であるシュル凸性を証明するための代数的フレームワークを使用する。
関連論文リスト
- Doubly Robust Inference in Causal Latent Factor Models [13.236747951976675]
本稿では,観測不能な条件下での平均処理効果を推定するための新しいフレームワークを紹介する。
有限サンプルおよび頑健な重み付け保証を導出し、新しい推定器の誤差がパラメトリック速度で平均ゼロガウス分布に収束することを示す。
論文 参考訳(メタデータ) (2024-02-18T17:13:46Z) - Natural Bayesian Cram\'er-Rao Bound with an Application to Covariance
Estimation [53.28838377722963]
推定パラメータが多様体内にあり、先行分布に従う場合、新しいCram'er-Rao Bound (CRB) を開発する。
この導出は、幾何学的性質に基づく誤差基準とこの新しい境界との間の自然な不等式をもたらす。
論文 参考訳(メタデータ) (2023-11-08T15:17:13Z) - Doubly Robust Kernel Statistics for Testing Distributional Treatment
Effects [18.791409397894835]
我々は、再生産ケルネルヒルベルト空間(RKHS)内の因果分布を表すために、以前に導入されたフレームワークである対実平均埋め込みを構築した。
これらの改良された推定器は、カーネル空間内の同様の形式を用いて、因果平均の二重に頑健な推定器に着想を得ている。
これにより, 分布因果効果に対する新しい変分に基づく検定が実現し, 提案する推定器を検定統計として利用した。
論文 参考訳(メタデータ) (2022-12-09T15:32:19Z) - Adaptive Dimension Reduction and Variational Inference for Transductive
Few-Shot Classification [2.922007656878633]
適応次元の削減によりさらに改善された変分ベイズ推定に基づく新しいクラスタリング法を提案する。
提案手法は,Few-Shotベンチマークにおける現実的非バランスなトランスダクティブ設定の精度を大幅に向上させる。
論文 参考訳(メタデータ) (2022-09-18T10:29:02Z) - Robust and Provable Guarantees for Sparse Random Embeddings [72.24615341588846]
我々は、Freksen が al. (NIPS'18) と Jagadeesan (NIPS'18) で提供したスパースランダム埋め込みの保証を改善する。
a) 前述した保証とは対照的に我々の境界は明示的であり、(b)我々の境界は実際に重要な定数によってよりシャープであることが保証されている。
我々は、我々の境界が、広範囲の現実世界のデータセットに関する先行研究よりも著しく優れていることを実証的に実証した。
論文 参考訳(メタデータ) (2022-02-22T11:15:59Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳(メタデータ) (2021-04-12T18:50:11Z) - Sharper convergence bounds of Monte Carlo Rademacher Averages through
Self-Bounding functions [4.518012967046983]
我々はモンテカルロ経験的ラデマチャー平均値に対するよりシャープな確率的濃度境界を導出した。
新しい結果は (Local) Rademacher Averages によりシャープな境界を与えるために適用できる。
論文 参考訳(メタデータ) (2020-10-22T23:05:16Z) - Slice Sampling for General Completely Random Measures [74.24975039689893]
本稿では, 後続推定のためのマルコフ連鎖モンテカルロアルゴリズムについて, 補助スライス変数を用いてトランケーションレベルを適応的に設定する。
提案アルゴリズムの有効性は、いくつかの一般的な非パラメトリックモデルで評価される。
論文 参考訳(メタデータ) (2020-06-24T17:53:53Z) - Nonparametric Score Estimators [49.42469547970041]
未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。
正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。
カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
論文 参考訳(メタデータ) (2020-05-20T15:01:03Z) - Gaussian Process Boosting [6.85316573653194]
ガウス過程と混合効果モデルを組み合わせた新しい手法を提案する。
シミュレーションおよび実世界のデータセットに対する既存手法と比較して予測精度が向上する。
論文 参考訳(メタデータ) (2020-04-06T13:19:54Z)
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。