論文の概要: The Minimax Risk in Testing Uniformity of Poisson Data under Missing Ball Alternatives
- arxiv url: http://arxiv.org/abs/2305.18111v8
- Date: Fri, 30 May 2025 07:52:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-09 17:34:25.763563
- Title: The Minimax Risk in Testing Uniformity of Poisson Data under Missing Ball Alternatives
- Title（参考訳）: ボール代替品によるポアソンデータの均一性試験におけるミニマックスリスク
- Authors: Alon Kipnis,
- Abstract要約: 本研究では,多くのカテゴリーからポアソン分布に至るまでの項目の出現の適合性を検証することの課題について検討する。
この問題のミニマックスリスクを、期待されるサンプル数$n$とカテゴリ数$N$が無限大になるものとして特徴づける。
- 参考スコア（独自算出の注目度）: 8.285441115330944
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the problem of testing the goodness of fit of occurrences of items from many categories to a Poisson distribution uniform over the categories, against a class of alternative hypotheses obtained by the removal of an $\ell_p$ ball, $p \leq 2$, of radius $\epsilon$ around the sequence of uniform Poisson rates. We characterize the minimax risk for this problem as the expected number of samples $n$ and the number of categories $N$ go to infinity. Our result enables the comparison at the constant level of the many estimators previously proposed for this problem, rather than at the rate of convergence of the risk or the scaling order of the sample complexity. The minimax test relies exclusively on collisions in the small sample limit but behaves like the chisquared test otherwise. Empirical studies over a range of problem parameters show that the asymptotic risk estimate is accurate in finite samples and that the minimax test is significantly better than the chisquared test or a test that only uses collisions. Our analysis involves the reduction to a structured subset of alternatives, establishing asymptotic normality for linear statistics, and solving an optimization problem over $N$-dimensional sequences that parallels classical results from Gaussian white noise models.
- Abstract（参考訳）: 本研究では,様々なカテゴリからポアソン分布の一様分布への項目の適合性の良さを,一様ポアソン数列の半径$\epsilon$の$\ell_p$ ball, $p \leq 2$の除去によって得られる代替仮説のクラスに対して検証する。
この問題のミニマックスリスクを、期待されるサンプル数$n$とカテゴリ数$N$が無限大になるものとして特徴づける。
この結果から, 従来提案されていた多くの推定器の定数レベルでの比較が可能となり, リスクの収束率やサンプルの複雑さのスケーリング順序に代えて比較が可能となった。
ミニマックス試験は、小さなサンプル限界での衝突にのみ依存するが、チフタッド試験のように振る舞う。
様々な問題パラメータに関する実験的な研究により、漸近的リスク推定は有限サンプルにおいて正確であり、ミニマックステストは衝突のみを用いるチフタッドテストやテストよりもはるかに優れていることが示された。
我々の分析では、線形統計学の漸近正規性を確立し、ガウスのホワイトノイズモデルから古典的な結果と平行する$N$次元列上の最適化問題を解く。
関連論文リスト
- Wasserstein F-tests for Fréchet regression on Bures-Wasserstein manifolds [0.9514940899499753]
ビュール・ワッサーシュタイン多様体上のフレシェレグレッションが発展する。
非関連性の零仮説のテストが提案されている。
結果は,提案した試験が所望の有意な程度に有意であることを示している。
論文 参考訳（メタデータ） (2024-04-05T04:01:51Z) - Optimal minimax rate of learning interaction kernels [7.329333373512536]
広帯域の交換可能な分布に対して最適な収束率を得るための最小二乗推定器(tLSE)を導入する。
以上の結果から, 大きな試料限界の逆問題が保たれた場合, 左テール確率はバイアス分散トレードオフを変化させないことがわかった。
論文 参考訳（メタデータ） (2023-11-28T15:01:58Z) - Sharp Constants in Uniformity Testing via the Huber Statistic [16.384142529375435]
一様性テスト(英: Uniformity testing)は、プロパティテストにおいて最もよく研究されている問題の1つである。
1-デルタ確率を持つ任意の$epsilon$-far分布と$m$要素上の均一分布を区別する最適なサンプル複雑性は$nであることが知られている。
衝突試験機は, 均一入力と非一様入力の分離の標準偏差数において, 急激な最大定数を達成することを示す。
論文 参考訳（メタデータ） (2022-06-21T20:43:53Z) - Polyak-Ruppert Averaged Q-Leaning is Statistically Efficient [90.14768299744792]
我々はPolyak-Ruppert 平均 Q-leaning (平均 Q-leaning) を用いた同期 Q-learning を$gamma$-discounted MDP で検討した。
繰り返し平均$barboldsymbolQ_T$に対して正規性を確立する。
要するに、我々の理論分析は、Q-Leaningの平均は統計的に効率的であることを示している。
論文 参考訳（メタデータ） (2021-12-29T14:47:56Z) - The Sample Complexity of Robust Covariance Testing [56.98280399449707]
i. i. d.
形式 $Z = (1-epsilon) X + epsilon B$ の分布からのサンプル。ここで $X$ はゼロ平均で未知の共分散である Gaussian $mathcalN(0, Sigma)$ である。
汚染がない場合、事前の研究は、$O(d)$サンプルを使用するこの仮説テストタスクの単純なテスターを与えた。
サンプル複雑性の上限が $omega(d2)$ for $epsilon$ an arbitrarily small constant and $gamma であることを証明します。
論文 参考訳（メタデータ） (2020-12-31T18:24:41Z) - Optimal Testing of Discrete Distributions with High Probability [49.19942805582874]
高確率状態に着目して離散分布を試験する問題について検討する。
一定の要素でサンプル最適である近接性および独立性テストのための最初のアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-09-14T16:09:17Z) - Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and
Variance Reduction [63.41789556777387]
非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。
Q-関数の入出力$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)$の順である。
論文 参考訳（メタデータ） (2020-06-04T17:51:00Z) - Breaking the Sample Size Barrier in Model-Based Reinforcement Learning
with a Generative Model [50.38446482252857]
本稿では、生成モデル(シミュレータ)へのアクセスを想定して、強化学習のサンプル効率について検討する。
最初に$gamma$-discounted infinite-horizon Markov decision process (MDPs) with state space $mathcalS$ and action space $mathcalA$を考える。
対象の精度を考慮すれば,モデルに基づく計画アルゴリズムが最小限のサンプルの複雑さを実現するのに十分であることを示す。
論文 参考訳（メタデータ） (2020-05-26T17:53:18Z) - Computationally efficient sparse clustering [67.95910835079825]
我々はPCAに基づく新しいクラスタリングアルゴリズムの有限サンプル解析を行う。
ここでは,ミニマックス最適誤クラスタ化率を,体制$|theta infty$で達成することを示す。
論文 参考訳（メタデータ） (2020-05-21T17:51:30Z)
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。