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
- 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) - Precise Asymptotic Generalization for Multiclass Classification with
Overparameterized Linear Models [4.093769373833101]
Subramanian et al.'22 の予想では、データポイント、特徴、クラスの数はすべて一緒になる。
我々の新しい下限は情報理論の強い逆に似ており、それらは誤分類率が0か1に近づくことを証明している。
厳密な解析の鍵はハンソン・ライトの不等式の新しい変種であり、スパースラベルの多重クラス問題に広く有用である。
論文 参考訳(メタデータ) (2023-06-23T00:59:15Z) - Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。
微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
論文 参考訳(メタデータ) (2023-02-24T18:41:48Z) - 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) - Trace Ratio Optimization with an Application to Multi-view Learning [10.196148937138275]
Stiefel多様体上のトレース比最適化問題を検討する。
この問題の特別なケースは、フィッシャー線形判別分析、正準相関解析、および不均衡プロクリスト問題から生じている。
新たなフレームワークとそのインスタンス化コンクリートモデルを提案し,実証した。
論文 参考訳(メタデータ) (2021-01-12T04:38:09Z) - 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 Errors for Teacher-Student Convex Generalized Linear Models
(or : How to Prove Kabashima's Replica Formula) [23.15629681360836]
凸一般化線形モデルの再構成性能に関する解析式を検証した。
解析的継続を行えば、結果を凸(非強直)問題に拡張できることを示す。
主流学習法に関する数値的な例で,本主張を述べる。
論文 参考訳(メタデータ) (2020-06-11T16:26:35Z) - 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。
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。