論文の概要: Multifidelity Covariance Estimation via Regression on the Manifold of
Symmetric Positive Definite Matrices
- arxiv url: http://arxiv.org/abs/2307.12438v1
- Date: Sun, 23 Jul 2023 21:46:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 16:10:53.888655
- Title: Multifidelity Covariance Estimation via Regression on the Manifold of
Symmetric Positive Definite Matrices
- Title（参考訳）: 対称正定値行列の多様体上の回帰による多値共分散推定
- Authors: Aimee Maurais, Terrence Alsup, Benjamin Peherstorfer, Youssef Marzouk
- Abstract要約: 我々の多様体回帰多相性(MRMF)共分散推定器は、多様体空間上の特定の誤差モデルの下での最大可能性推定器であることを示す。
数値的な例を通して、推定器は最大1桁の精度で2乗推定誤差を抑えることができることを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a multifidelity estimator of covariance matrices formulated as
the solution to a regression problem on the manifold of symmetric positive
definite matrices. The estimator is positive definite by construction, and the
Mahalanobis distance minimized to obtain it possesses properties which enable
practical computation. We show that our manifold regression multifidelity
(MRMF) covariance estimator is a maximum likelihood estimator under a certain
error model on manifold tangent space. More broadly, we show that our
Riemannian regression framework encompasses existing multifidelity covariance
estimators constructed from control variates. We demonstrate via numerical
examples that our estimator can provide significant decreases, up to one order
of magnitude, in squared estimation error relative to both single-fidelity and
other multifidelity covariance estimators. Furthermore, preservation of
positive definiteness ensures that our estimator is compatible with downstream
tasks, such as data assimilation and metric learning, in which this property is
essential.
- Abstract（参考訳）: 対称正定値行列多様体上の回帰問題の解として定式化された共分散行列の多値性推定器を導入する。
推定器は構成によって正定値であり、マハラノビス距離は最小限に抑えられ、実用的な計算を可能にする性質を持つ。
多様体回帰多元性(mrmf)共分散推定器は、多様体接空間上のある誤差モデルの下で最大確率推定器であることを示す。
より広範に、我々のリーマン回帰フレームワークは、制御変数から構築された既存の多値共分散推定器を含むことを示す。
数値的な実例から,この推定器は,単一忠実度および他の複数忠実度共分散推定器に対する2乗推定誤差において,最大1桁の大幅な減少をもたらすことを証明した。
さらに、正定性の保存は、この性質が不可欠であるデータ同化やメトリック学習のような下流タスクと推定器が互換性があることを保証する。
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 $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。
我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
論文 参考訳（メタデータ） (2024-07-11T13:28:34Z) - A Geometric Unification of Distributionally Robust Covariance Estimators: Shrinking the Spectrum by Inflating the Ambiguity Set [20.166217494056916]
制約的な仮定を課さずに共分散推定器を構築するための原理的手法を提案する。
頑健な推定器は効率的に計算可能で一貫したものであることを示す。
合成および実データに基づく数値実験により、我々の頑健な推定器は最先端の推定器と競合していることが示された。
論文 参考訳（メタデータ） (2024-05-30T15:01:18Z) - Analysis of a multi-target linear shrinkage covariance estimator [0.0]
我々は, 精密かつ実証的な平均値で, オラクルとテライトボナの多ターゲット線形収縮推定器を導出する。
様々な状況において、他の標準推定値よりも優れていることを実証的に示す。
論文 参考訳（メタデータ） (2024-05-30T14:16:32Z) - Intrinsic Bayesian Cramér-Rao Bound with an Application to Covariance Matrix Estimation [49.67011673289242]
本稿では, 推定パラメータが滑らかな多様体内にある推定問題に対して, 新たな性能境界を提案する。
これはパラメータ多様体の幾何学と推定誤差測度の本質的な概念を誘導する。
論文 参考訳（メタデータ） (2023-11-08T15:17:13Z) - Multi-Fidelity Covariance Estimation in the Log-Euclidean Geometry [0.0]
対称正定値多様体の対数ユークリッド幾何学を利用する共分散行列の多値推定器を導入する。
固定予算が与えられた推定器の平均二乗誤差を最小化する最適サンプル割り当て方式を開発した。
物理アプリケーションからのデータによるアプローチの評価は、ベンチマークと比較すると、より正確なメトリック学習と1桁以上のスピードアップを示している。
論文 参考訳（メタデータ） (2023-01-31T16:33:46Z) - Bayesian Uncertainty Estimation of Learned Variational MRI
Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。
提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文 参考訳（メタデータ） (2021-02-12T18:08:14Z) - Robust Geodesic Regression [6.827783641211451]
我々は、ロバストな測地回帰を行うために、$L_1$, Huber および Tukey biweight 推定器を含むM型推定器を使用する。
実際のニューロイメージングデータの解析を含む数値的な例の結果は、提案手法の有望な経験的性質を実証している。
論文 参考訳（メタデータ） (2020-07-09T02:41:32Z) - Nonparametric Estimation of the Fisher Information and Its Applications [82.00720226775964]
本稿では,大きさn$のランダムサンプルからフィッシャー情報の位置推定の問題について考察する。
Bhattacharyaにより提案された推定器を再検討し、収束率の向上を導出する。
クリッピング推定器と呼ばれる新しい推定器を提案する。
論文 参考訳（メタデータ） (2020-05-07T17:21:56Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z) - Estimating Gradients for Discrete Random Variables by Sampling without
Replacement [93.09326095997336]
我々は、置換のないサンプリングに基づいて、離散確率変数に対する期待値の偏りのない推定器を導出する。
推定器は3つの異なる推定器のラオ・ブラックウェル化として導出可能であることを示す。
論文 参考訳（メタデータ） (2020-02-14T14:15:18Z)
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。