論文の概要: Alteration Detection of Tensor Dependence Structure via
Sparsity-Exploited Reranking Algorithm
- arxiv url: http://arxiv.org/abs/2310.08798v1
- Date: Fri, 13 Oct 2023 01:04:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 14:52:35.808317
- Title: Alteration Detection of Tensor Dependence Structure via
Sparsity-Exploited Reranking Algorithm
- Title（参考訳）: sparsity-exploited rerankingアルゴリズムによるテンソル依存構造の変化検出
- Authors: Li Ma, Shenghao Qin, and Yin Xia
- Abstract要約: 一般に採用されているテンソル正規分布の下で問題を定式化し、2サンプル相関/部分相関比較を目指す。
本稿では,複数のテスト効率を改善するために,新しいSERA(Sprsity-Exploited Re rank Algorithm)を提案する。
提案手法の特性は導出され,アルゴリズムは事前に特定されたレベルでの誤発見を制御する。
- 参考スコア（独自算出の注目度）: 3.7363073304294336
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tensor-valued data arise frequently from a wide variety of scientific
applications, and many among them can be translated into an alteration
detection problem of tensor dependence structures. In this article, we
formulate the problem under the popularly adopted tensor-normal distributions
and aim at two-sample correlation/partial correlation comparisons of
tensor-valued observations. Through decorrelation and centralization, a
separable covariance structure is employed to pool sample information from
different tensor modes to enhance the power of the test. Additionally, we
propose a novel Sparsity-Exploited Reranking Algorithm (SERA) to further
improve the multiple testing efficiency. The algorithm is approached through
reranking of the p-values derived from the primary test statistics, by
incorporating a carefully constructed auxiliary tensor sequence. Besides the
tensor framework, SERA is also generally applicable to a wide range of
two-sample large-scale inference problems with sparsity structures, and is of
independent interest. The asymptotic properties of the proposed test are
derived and the algorithm is shown to control the false discovery at the
pre-specified level. We demonstrate the efficacy of the proposed method through
intensive simulations and two scientific applications.
- Abstract（参考訳）: テンソル値のデータは様々な科学的応用から頻繁に発生し、その多くがテンソル依存構造の変形検出問題に変換される。
本稿では、広く採用されているテンソル正規分布の下で問題を定式化し、テンソル値観測の2つのサンプル相関/部分相関比較を目標とする。
デコリレーションと集中化により、異なるテンソルモードからのサンプル情報を分離可能な共分散構造を用いて、テストのパワーを高める。
さらに,複数のテスト効率を改善するため,新しいSERA(Sprsity-Exploited Re rank Algorithm)を提案する。
このアルゴリズムは、精巧に構築された補助テンソルシーケンスを組み込むことで、一次試験統計から得られるp値の再ランク付けによってアプローチされる。
テンソルフレームワークの他に、SERAはスパーシティ構造を持つ広範囲な2サンプルの大規模推論問題にも適用でき、独立した関心を持つ。
提案した試験の漸近特性を導出し,事前に特定されたレベルでの誤検出を制御するアルゴリズムを示す。
集中シミュレーションと2つの科学的応用により,提案手法の有効性を実証する。
関連論文リスト
- Unveiling the Statistical Foundations of Chain-of-Thought Prompting Methods [59.779795063072655]
CoT(Chain-of-Thought)の促進とその変種は、多段階推論問題を解決する効果的な方法として人気を集めている。
統計的推定の観点からCoTのプロンプトを解析し,その複雑さを包括的に評価する。
論文 参考訳（メタデータ） (2024-08-25T04:07:18Z) - Tensor cumulants for statistical inference on invariant distributions [49.80012009682584]
我々は,PCAが信号の大きさの臨界値で計算的に困難になることを示す。
我々は、与えられた次数の不変量に対して明示的でほぼ直交的な基底を与える新しい対象の集合を定義する。
また、異なるアンサンブルを区別する新しい問題も分析できます。
論文 参考訳（メタデータ） (2024-04-29T14:33:24Z) - Fast Learnings of Coupled Nonnegative Tensor Decomposition Using Optimal Gradient and Low-rank Approximation [7.265645216663691]
交互勾配法(CoNCPD-APG)により最適化された新しい非負のCANDECOMP/PARAFAC分解アルゴリズムを提案する。
提案手法は,低ランク近似をCONCPD-APG法と組み合わせることで,分解品質を損なうことなく計算負担を大幅に削減することができる。
論文 参考訳（メタデータ） (2023-02-10T08:49:36Z) - ER: Equivariance Regularizer for Knowledge Graph Completion [107.51609402963072]
我々は、新しい正規化器、すなわち等分散正規化器(ER)を提案する。
ERは、頭と尾のエンティティ間の意味的等価性を利用することで、モデルの一般化能力を高めることができる。
実験結果から,最先端関係予測法よりも明確かつ実質的な改善が示された。
論文 参考訳（メタデータ） (2022-06-24T08:18:05Z) - Tensor Full Feature Measure and Its Nonconvex Relaxation Applications to
Tensor Recovery [1.8899300124593645]
完全特徴量(FFM)と呼ばれる新しいテンソル間隔尺度を提案する。
これは各次元の特徴次元を同時に記述することができ、タッカーランクとテンソルチューブランクを結びつけることができる。
FFMに基づく2つの効率的なモデルを提案し、提案モデルを解決するために2つの代替乗算器法(ADMM)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-09-25T01:44:34Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - Scaling and Scalability: Provable Nonconvex Low-Rank Tensor Estimation
from Incomplete Measurements [30.395874385570007]
基本的な課題は、高度に不完全な測定からテンソルを忠実に回収することである。
タッカー分解におけるテンソル因子を直接回復するアルゴリズムを開発した。
2つの正準問題に対する基底真理テンソルの線形独立率で確実に収束することを示す。
論文 参考訳（メタデータ） (2021-04-29T17:44:49Z) - CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。
CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
論文 参考訳（メタデータ） (2020-09-28T09:49:38Z) - Partially Observed Dynamic Tensor Response Regression [17.930417764563106]
現代のデータ科学では、動的テンソルデータが多くの応用で普及している。
本研究では,部分的に観察された動的テンソル間隔を予測子として回帰モデルを開発する。
本稿では,シミュレーションによる提案手法の有効性と2つの実応用について述べる。
論文 参考訳（メタデータ） (2020-02-22T17:14:10Z) - Supervised Learning for Non-Sequential Data: A Canonical Polyadic
Decomposition Approach [85.12934750565971]
特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。
この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。
表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
論文 参考訳（メタデータ） (2020-01-27T22:38:40Z) - A Unified Framework for Coupled Tensor Completion [42.19293115131073]
結合テンソル分解は、潜在結合因子に由来する事前知識を組み込むことで、結合データ構造を明らかにする。
TRは強力な表現能力を持ち、いくつかの多次元データ処理アプリケーションで成功している。
提案手法は, 合成データに関する数値実験で検証され, 実世界のデータに対する実験結果は, 回収精度の観点から, 最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-01-09T02:15:46Z)
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。