Fugu-MT 論文翻訳(概要): All Random Features Representations are Equivalent

論文の概要: All Random Features Representations are Equivalent

arxiv url: http://arxiv.org/abs/2406.18802v1
Date: Thu, 27 Jun 2024 00:21:10 GMT
ステータス: 処理完了
システム内更新日: 2024-06-28 15:47:01.238620
Title: All Random Features Representations are Equivalent
Title（参考訳）: すべてのランダムな特徴表現は等価である
Authors: Luke Sernau, Silvano Bonacina, Rif A. Saurous,
Abstract要約: 最適なサンプリングポリシの下では、すべてのランダムな特徴表現は同じ近似誤差を持つことを示す。これは、すべてのランダムな特徴表現にまたがる低い境界を確立し、好きな表現を自由に選択できることを示します。
参考スコア（独自算出の注目度）: 2.8479897791887727
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Random features are an important technique that make it possible to rewrite positive-definite kernels as infinite-dimensional dot products. Over time, increasingly elaborate random feature representations have been developed in pursuit of finite approximations with ever lower error. We resolve this arms race by deriving an optimal sampling policy, and show that under this policy all random features representations have the same approximation error. This establishes a lower bound that holds across all random feature representations, and shows that we are free to choose whatever representation we please, provided we sample optimally.
Abstract（参考訳）: ランダムな特徴は、正定値のカーネルを無限次元のドット積として書き換えることのできる重要な技法である。時間とともに、より精巧なランダムな特徴表現は、より低い誤差を持つ有限近似を追求するために開発されてきた。最適なサンプリングポリシを導出することで、このアームレースを解決し、このポリシーの下では、すべてのランダムな特徴表現が同じ近似誤差を持つことを示す。これにより、すべてのランダムな特徴表現にまたがる低い境界を確立し、最適なサンプルであれば、好きな表現を自由に選択できることを示す。

関連論文リスト

Optimal sampling for least-squares approximation [0.8702432681310399]
ランダムサンプルから(重み付けされた)最小二乗近似の解析において、クリスティーフェル関数を重要な量として導入する。ほぼ最適なサンプル複雑性を持つサンプリング戦略を構築するためにどのように使用できるかを示す。
論文参考訳（メタデータ） (2024-09-04T00:06:23Z)
Approximating a RUM from Distributions on k-Slates [88.32814292632675]
与えられた分布を平均で最もよく近似するRUMを求める一般化時間アルゴリズムを求める。我々の理論的結果は、実世界のデータセットに効果的でスケール可能なものを得るという、実践的な結果も得られます。
論文参考訳（メタデータ） (2023-05-22T17:43:34Z)
Best Policy Identification in Linear MDPs [70.57916977441262]
縮退した線形マルコフ+デルタ決定における最適同定問題について, 生成モデルに基づく固定信頼度設定における検討を行った。複雑な非最適化プログラムの解としての下位境界は、そのようなアルゴリズムを考案する出発点として用いられる。
論文参考訳（メタデータ） (2022-08-11T04:12:50Z)
Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文参考訳（メタデータ） (2021-10-20T12:25:22Z)
Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。局所探索のための政策勾配は、しばしばランダムな摂動から得られる。目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文参考訳（メタデータ） (2021-06-22T16:07:02Z)
Optimal scaling of random walk Metropolis algorithms using Bayesian large-sample asymptotics [0.6091702876917281]
高次元は、ランダムウォークメトロポリスアルゴリズムの最適スケーリングを見つけるためのチューニング規則の導出に有用であることが示されている。私たちは、異なる視点から最適なスケーリング問題、すなわち大きなサンプル問題に光を当てました。
論文参考訳（メタデータ） (2021-04-13T17:39:50Z)
Adversarial Estimation of Riesz Representers [21.510036777607397]
一般関数空間を用いてRiesz表現子を推定する逆フレームワークを提案する。臨界半径(Critical radius)と呼ばれる抽象的な量で非漸近平均平方レートを証明し、ニューラルネットワーク、ランダムな森林、カーネルヒルベルト空間を主要なケースとして再現する。
論文参考訳（メタデータ） (2020-12-30T19:46:57Z)
Pathwise Conditioning of Gaussian Processes [72.61885354624604]
ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
論文参考訳（メタデータ） (2020-11-08T17:09:37Z)
Convex Representation Learning for Generalized Invariance in Semi-Inner-Product Space [32.442549424823355]
本研究では, 半ノルムにおける多種多様な一般化表現のアルゴリズムを開発し, 先頭の表現子を定式化し, 境界を定式化する。これにより、正確な予測とともに、我々の実験で確認されているように、表現を効率的かつ効果的に学習することができる。
論文参考訳（メタデータ） (2020-04-25T18:54:37Z)
Non-Adaptive Adaptive Sampling on Turnstile Streams [57.619901304728366]
カラムサブセット選択、部分空間近似、射影クラスタリング、および空間サブリニアを$n$で使用するターンタイルストリームのボリュームに対する最初の相対エラーアルゴリズムを提供する。我々の適応的なサンプリング手法は、様々なデータ要約問題に多くの応用をもたらしており、これは最先端を改善するか、より緩和された行列列モデルで以前に研究されただけである。
論文参考訳（メタデータ） (2020-04-23T05:00:21Z)

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。