Fugu-MT 論文翻訳(概要): Inference on eigenvectors of non-symmetric matrices

論文の概要: Inference on eigenvectors of non-symmetric matrices

arxiv url: http://arxiv.org/abs/2303.18233v1
Date: Fri, 31 Mar 2023 17:48:20 GMT
ステータス: 処理完了
システム内更新日: 2023-04-03 12:59:17.640168
Title: Inference on eigenvectors of non-symmetric matrices
Title（参考訳）: 非対称行列の固有ベクトルの推論
Authors: Jerome R. Simons
Abstract要約: 本稿では、固有ベクトルの推論手順を確立するためには、タイラー(1981)の対称性条件は必要ないと論じる。フルベクターおよび個別係数仮説に対するウォルドとt-テストの分布理論をそれぞれ確立する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper argues that the symmetrisability condition in Tyler(1981) is not necessary to establish asymptotic inference procedures for eigenvectors. We establish distribution theory for a Wald and t-test for full-vector and individual coefficient hypotheses, respectively. Our test statistics originate from eigenprojections of non-symmetric matrices. Representing projections as a mapping from the underlying matrix to its spectral data, we find derivatives through analytic perturbation theory. These results demonstrate how the analytic perturbation theory of Sun(1991) is a useful tool in multivariate statistics and are of independent interest. As an application, we define confidence sets for Bonacich centralities estimated from adjacency matrices induced by directed graphs.
Abstract（参考訳）: 本稿では、固有ベクトルの漸近推論手順を確立するためには、タイラー(1981)の対称性条件は必要ないと論じる。フルベクターおよび個別係数仮説に対するウォルドとt-テストの分布理論をそれぞれ確立する。テスト統計は非対称行列の固有射影に由来する。基底行列からスペクトルデータへの写像として射影を表現することで、解析摂動理論を通じて微分を見つける。これらの結果は、太陽(1991)の分析摂動理論が多変量統計学において有用なツールであり、独立した興味を持つことを示す。応用として、有向グラフによって誘導される隣接行列から推定されるボナシック中心性に対する信頼集合を定義する。

関連論文リスト

Understanding Matrix Function Normalizations in Covariance Pooling through the Lens of Riemannian Geometry [63.694184882697435]
グローバル共分散プーリング(GCP)は、高レベルの表現の2階統計を利用して、ディープニューラルネットワーク(DNN)の性能を向上させることが実証されている。
論文参考訳（メタデータ） (2024-07-15T07:11:44Z)
Entrywise error bounds for low-rank approximations of kernel matrices [55.524284152242096]
切り抜き固有分解を用いて得られたカーネル行列の低ランク近似に対するエントリーワイド誤差境界を導出する。重要な技術的革新は、小さな固有値に対応するカーネル行列の固有ベクトルの非局在化結果である。我々は、合成および実世界のデータセットの集合に関する実証的研究により、我々の理論を検証した。
論文参考訳（メタデータ） (2024-05-23T12:26:25Z)
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)
On confidence intervals for precision matrices and the eigendecomposition of covariance matrices [20.20416580970697]
本稿では,固定次元の共分散行列の固有ベクトルの個々のエントリに対する信頼性境界の計算に挑戦する。逆共分散行列、いわゆる精度行列の成分を束縛する手法を導出する。これらの結果の応用として,精度行列の非ゼロ値のテストを可能にする新しい統計テストを示す。
論文参考訳（メタデータ） (2022-08-25T10:12:53Z)
Learning Linear Symmetries in Data Using Moment Matching [0.0]
データから直接、そのような対称性を学習する、教師なし、半教師なしの問題を考察する。最悪の場合、この問題はグラフ自己同型問題と同じくらい難しい。対称変換において固有ベクトルが固有値 -1 を持つべきものを選択する様々な方法の有効性を理論的および実証的に開発・比較する。
論文参考訳（メタデータ） (2022-04-04T02:47:37Z)
When Random Tensors meet Random Matrices [50.568841545067144]
本稿では,ガウス雑音を伴う非対称次数-$d$スパイクテンソルモデルについて検討する。検討したモデルの解析は、等価なスパイクされた対称テクシットブロック-ワイドランダム行列の解析に起因していることを示す。
論文参考訳（メタデータ） (2021-12-23T04:05:01Z)
Minimax Estimation of Linear Functions of Eigenvectors in the Face of Small Eigen-Gaps [95.62172085878132]
固有ベクトル摂動解析は様々な統計データ科学の応用において重要な役割を果たす。未知の固有ベクトルの任意の線型関数の摂動を特徴付ける統計理論の一組を開発する。自然の「プラグイン」推定器に固有の非無視バイアス問題を緩和するために,非バイアス推定器を開発する。
論文参考訳（メタデータ） (2021-04-07T17:55:10Z)
Confidence-Optimal Random Embeddings [0.0]
本稿では、最適でデータに富む統計信頼度境界を持つjohnson-lindenstrauss分布を考案する。境界は、任意のデータ次元、埋め込み、および歪み耐性に対して、数値的に最良である。統計的精度の面での先行作業の改善に加え、データ可読アプローチの無意味な体制を正確に決定します。
論文参考訳（メタデータ） (2021-04-06T18:00:02Z)
On Random Matrices Arising in Deep Neural Networks: General I.I.D. Case [0.0]
本研究では, ニューラルネットワーク解析に係わる無作為行列の積の特異値分布について検討した。我々は、[22] の結果を一般化するために、[22] の確率行列理論のテクニックの、より簡潔な別のバージョンを使用します。
論文参考訳（メタデータ） (2020-11-20T14:39:24Z)
Understanding Implicit Regularization in Over-Parameterized Single Index Model [55.41685740015095]
我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。暗黙正則化現象の理論的保証を提供する。
論文参考訳（メタデータ） (2020-07-16T13:27:47Z)
Tackling small eigen-gaps: Fine-grained eigenvector estimation and inference under heteroscedastic noise [28.637772416856194]
ノイズの観測から、固有ベクトル推定と低ランク行列の推測に2つの根本的な課題が生じる。未知固有ベクトルに対する推定と不確実性定量化手法を提案する。未知固有値に対する信頼区間を構築するための最適手順を確立する。
論文参考訳（メタデータ） (2020-01-14T04:26:10Z)

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。