Fugu-MT 論文翻訳(概要): A Convergence Analysis of Approximate Message Passing with Non-Separable Functions and Applications to Multi-Class Classification

論文の概要: A Convergence Analysis of Approximate Message Passing with Non-Separable Functions and Applications to Multi-Class Classification

arxiv url: http://arxiv.org/abs/2402.08676v1
Date: Tue, 13 Feb 2024 18:56:55 GMT
ステータス: 処理完了
システム内更新日: 2024-02-14 14:05:16.974730
Title: A Convergence Analysis of Approximate Message Passing with Non-Separable Functions and Applications to Multi-Class Classification
Title（参考訳）: 非分離関数を持つ近似メッセージパッシングの収束解析と多クラス分類への応用
Authors: Burak \c{C}akmak, Yue M. Lu, Manfred Opper
Abstract要約: 非分離多変量非線形性を持つAMP力学の収束解析について述べる。応用として、モチベーション付き凸最適化問題の完全(かつ独立)解析を提案する。
参考スコア（独自算出の注目度）: 13.284085230011264
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Motivated by the recent application of approximate message passing (AMP) to the analysis of convex optimizations in multi-class classifications [Loureiro, et. al., 2021], we present a convergence analysis of AMP dynamics with non-separable multivariate nonlinearities. As an application, we present a complete (and independent) analysis of the motivated convex optimization problem.
Abstract（参考訳）: 多クラス分類 (Loureiro, et. al., 2021] における凸最適化解析への近距離メッセージパッシング (AMP) の最近の応用により, 非分離多変量非線形性を持つ AMP 力学の収束解析を提案する。応用として、モチベーション付き凸最適化問題の完全(かつ独立)解析を提案する。

関連論文リスト

A Short Information-Theoretic Analysis of Linear Auto-Regressive Learning [1.223779595809275]
線形自己回帰モデルにおけるガウス最大極大推定器の整合性に関する短い情報理論的証明を与える。我々の証明はパラメータ回復のためのほぼ最適な非漸近速度をもたらし、有限仮説クラスの場合の安定性の呼び出しなしに機能する。
論文参考訳（メタデータ） (2024-09-10T11:42:22Z)
Optimal thresholds and algorithms for a model of multi-modal learning in high dimensions [15.000720880773548]
本論文は,このモデルに対する近似メッセージパッシング(AMP)アルゴリズムを導出し,その性能を高次元限界で特徴づける。 AMPの線形化は、広く使われている部分最小二乗法(PLS)および正準相関解析法(CCA)と数値的に比較される。
論文参考訳（メタデータ） (2024-07-03T21:48:23Z)
Multi-objective Reinforcement Learning with Nonlinear Preferences: Provable Approximation for Maximizing Expected Scalarized Return [1.3162012586770577]
軌道上の非線形選好を用いた多目的強化学習について検討した。非線形最適化のためのベルマン最適性の拡張形式を導出する。アルゴリズムによって計算される最適ポリシーと代替基準との間には,かなりのギャップがあることが示される。
論文参考訳（メタデータ） (2023-11-05T02:11:07Z)
Functional Generalized Canonical Correlation Analysis for studying multiple longitudinal variables [0.9208007322096533]
FGCCA(Functional Generalized Canonical correlation Analysis)は、共同で観測される複数のランダムプロセス間の関連を探索する新しいフレームワークである。我々は,解法の単調性を確立し,標準成分を推定するためのベイズ的アプローチを導入する。本稿では,縦断データセットにユースケースを提示し,シミュレーション研究における手法の効率性を評価する。
論文参考訳（メタデータ） (2023-10-11T09:21:31Z)
High-Probability Bounds for Stochastic Optimization and Variational Inequalities: the Case of Unbounded Variance [59.211456992422136]
制約の少ない仮定の下で高確率収束結果のアルゴリズムを提案する。これらの結果は、標準機能クラスに適合しない問題を最適化するために検討された手法の使用を正当化する。
論文参考訳（メタデータ） (2023-02-02T10:37:23Z)
Unified Convergence Analysis for Adaptive Optimization with Moving Average Estimator [75.05106948314956]
1次モーメントに対する大きな運動量パラメータの増大は適応的スケーリングに十分であることを示す。また,段階的に減少するステップサイズに応じて,段階的に運動量を増加させるための洞察を与える。
論文参考訳（メタデータ） (2021-04-30T08:50:24Z)
A maximum-entropy approach to off-policy evaluation in average-reward MDPs [54.967872716145656]
この研究は、無限水平非カウントマルコフ決定過程(MDPs)における関数近似を伴うオフ・ポリティ・アセスメント(OPE)に焦点を当てる。提案手法は,第1の有限サンプル OPE 誤差境界であり,既存の結果がエピソードおよびディスカウントケースを超えて拡張される。この結果から,教師あり学習における最大エントロピー的アプローチを並列化して,十分な統計値を持つ指数関数型家族分布が得られた。
論文参考訳（メタデータ） (2020-06-17T18:13:37Z)
Fast Objective & Duality Gap Convergence for Non-Convex Strongly-Concave Min-Max Problems with PL Condition [52.08417569774822]
本稿では,深層学習(深層AUC)により注目度が高まっている,円滑な非凹部min-max問題の解法に焦点をあてる。
論文参考訳（メタデータ） (2020-06-12T00:32:21Z)
Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文参考訳（メタデータ） (2020-04-17T12:47:04Z)
Is Temporal Difference Learning Optimal? An Instance-Dependent Analysis [102.29671176698373]
我々は、割引決定過程における政策評価の問題に対処し、生成モデルの下で、ll_infty$errorに対するマルコフに依存した保証を提供する。我々は、ポリシー評価のために、局所ミニマックス下限の両漸近バージョンと非漸近バージョンを確立し、アルゴリズムを比較するためのインスタンス依存ベースラインを提供する。
論文参考訳（メタデータ） (2020-03-16T17:15:28Z)
A Unified Convergence Analysis for Shuffling-Type Gradient Methods [32.8097849940763]
有限項問題を解くための一般化勾配シャッフル型法に対する統一収束解析を提案する。以上の結果から,特定の神経シャッフル変種でのトレーニングに適する選択が示唆された。
論文参考訳（メタデータ） (2020-02-19T15:45:41Z)

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。