Fugu-MT 論文翻訳(概要): Concentration inequalities for high-dimensional linear processes with dependent innovations

論文の概要: Concentration inequalities for high-dimensional linear processes with dependent innovations

arxiv url: http://arxiv.org/abs/2307.12395v2
Date: Thu, 17 Oct 2024 15:31:22 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-18 13:15:59.519287
Title: Concentration inequalities for high-dimensional linear processes with dependent innovations
Title（参考訳）: 依存的革新を伴う高次元線形過程に対する濃度不等式
Authors: Eduardo Fonseca Mendes, Fellipe Lopes,
Abstract要約: Weibull を置換したベクトル線型過程の $l_infty$ ノルムに対する濃度不等式を開発する。これらの不等式を、大次元VAR(p)システムのスパース推定とヘテロレダスティック性および自己相関整合性(HAC)高次元共分散推定に適用する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We develop concentration inequalities for the $l_\infty$ norm of vector linear processes with sub-Weibull, mixingale innovations. This inequality is used to obtain a concentration bound for the maximum entrywise norm of the lag-$h$ autocovariance matrix of linear processes. We apply these inequalities to sparse estimation of large-dimensional VAR(p) systems and heterocedasticity and autocorrelation consistent (HAC) high-dimensional covariance estimation.
Abstract（参考訳）: 我々は、準ワイブルのベクトル線型過程の$l_\infty$ノルムに対する濃度不等式、ミキサール革新を開発する。この不等式は、線形過程のラグ=h$自己共分散行列の最大エントリーワイドノルムに対して有界な濃度を得るために用いられる。これらの不等式を、大次元VAR(p)システムのスパース推定とヘテロレダスティック性および自己相関整合性(HAC)高次元共分散推定に適用する。

関連論文リスト

Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
論文参考訳（メタデータ） (2024-02-14T16:10:42Z)
Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文参考訳（メタデータ） (2024-01-29T02:08:40Z)
Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence [65.63201894457404]
非線形微分方程式のドリフトと拡散係数の同定のための新しい非パラメトリック学習パラダイムを提案する。鍵となる考え方は、基本的には、対応するフォッカー・プランク方程式のRKHSに基づく近似をそのような観測に適合させることである。
論文参考訳（メタデータ） (2023-05-24T20:43:47Z)
D-SVM over Networked Systems with Non-Ideal Linking Conditions [5.962184741057505]
本稿では,分散サポートベクタマシン(D-SVM)によるバイナリ分類を応用した分散最適化アルゴリズムについて考察する。エージェントは連続時間力学によって協調的にコンセンサス制約分散最適化を解き、リンクは強符号保存の奇数非線形条件に従う。対数量子化とクリッピング(飽和)はそのような非線形性の2つの例である。
論文参考訳（メタデータ） (2023-04-13T16:56:57Z)
SARAH-based Variance-reduced Algorithm for Stochastic Finite-sum Cocoercive Variational Inequalities [137.6408511310322]
有限サムコヒーレンシブ変分不等式の問題を考える。強い単調な問題に対しては、この方法を用いて解への線形収束を達成することができる。
論文参考訳（メタデータ） (2022-10-12T08:04:48Z)
On Linear Separability under Linear Compression with Applications to Hard Support Vector Machine [0.0]
内部積の歪みが元のデータ生成分布の2乗辺よりも小さい限り線形分離性が維持されることを示す。応用として、ランダムなガウス行列の(i)圧縮長と(ii)ハードSVMを用いた圧縮学習における一般化誤差を導出する。
論文参考訳（メタデータ） (2022-02-02T16:23:01Z)
Benign Overfitting of Constant-Stepsize SGD for Linear Regression [122.70478935214128]
帰納バイアスは経験的に過剰フィットを防げる中心的存在ですこの研究は、この問題を最も基本的な設定として考慮している: 線形回帰に対する定数ステップサイズ SGD。我々は、(正規化されていない)SGDで得られるアルゴリズム正則化と、通常の最小二乗よりも多くの顕著な違いを反映する。
論文参考訳（メタデータ） (2021-03-23T17:15:53Z)
Concentration Inequalities for Statistical Inference [3.236217153362305]
本稿では, 数学統計学の非漸近解析に広く用いられている濃度不等式について概説する。我々は、既知の定数で濃度不等式を説明し、より鋭い定数で既存の境界を改善することを目的としている。
論文参考訳（メタデータ） (2020-11-04T12:54:06Z)
Optimal Sample Complexity of Subgradient Descent for Amplitude Flow via Non-Lipschitz Matrix Concentration [12.989855325491163]
我々は、実数値の$n$次元信号を、位相のない線形測定値から復元する問題を考察する。ランダムな不連続行列値演算子の均一な濃度に基づいて, 最適なサンプル複雑性を持つ下降勾配の局所収束を確立する。
論文参考訳（メタデータ） (2020-10-31T15:03:30Z)
Effective Dimension Adaptive Sketching Methods for Faster Regularized Least-Squares Optimization [56.05635751529922]
スケッチに基づくL2正規化最小二乗問題の解法を提案する。我々は、最も人気のあるランダム埋め込みの2つ、すなわちガウス埋め込みとサブサンプリングランダム化アダマール変換(SRHT)を考える。
論文参考訳（メタデータ） (2020-06-10T15:00:09Z)

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。