論文の概要: Identification and estimation for matrix time series CP-factor models

• arxiv url: http://arxiv.org/abs/2410.05634v2
• Date: Fri, 21 Feb 2025 02:20:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 21:37:38.879509
• Title: Identification and estimation for matrix time series CP-factor models
• Title（参考訳）: 行列時系列CP因子モデルの同定と推定
• Authors: Jinyuan Chang, Yue Du, Guanglin Huang, Qiwei Yao,
• Abstract要約: 本稿では,行列時系列のCP因子モデルを同定し,推定する手法を提案する。 収束速度が小さな固有ギャップに悩まされるような一般化された固有解析に基づくChange et al.(2023)とは異なり、提案手法はより高速な収束速度を享受する。
• 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 propose a new method for identifying and estimating the CP-factor models for matrix time series. Unlike the generalized eigenanalysis-based method of Chang et al.(2023) for which the convergence rates may suffer from small eigengaps as the asymptotic theory is based on some matrix perturbation analysis, the proposed new method enjoys faster convergence rates which are free from any eigengaps. It achieves this by turning the problem into a joint diagonalization of several matrices whose elements are determined by a basis of a linear system, and by choosing the basis carefully to avoid near co-linearity (see Proposition 5 and Section 4.3 below). Furthermore, unlike Chang et al.(2023) which requires the two factor loading matrices to be full-ranked, the new method can handle rank-deficient factor loading matrices. Illustration with both simulated and real matrix time series data shows the advantages of the proposed new method.
• Abstract（参考訳）: 本稿では,行列時系列のCP因子モデルを同定し,推定する手法を提案する。 漸近的理論はいくつかの行列摂動解析に基づくため、収束速度が小さい固有ギャップに悩まされるような一般化された固有解析に基づくChang et al(2023)とは異なり、提案手法は任意の固有ギャップから解放されるより速い収束速度を享受する。 これは、問題を線形系に基づいて要素が決定されるいくつかの行列の合同対角化に転換し、その基底を慎重に選択して、近距離の共線型性(英語版)(co-linearity)を回避することによって達成する(命題5(英語版)と節4(英語版)参照)。 さらに,2因子負荷行列のフルランク化を必要とする Chang et al (2023) とは異なり,新しい手法ではランク不足因子負荷行列を扱える。 シミュレーションおよび実行列時系列データによる図解は,提案手法の利点を示す。

関連論文リスト

• Quantization of Large Language Models with an Overdetermined Basis [73.79368761182998]
  本稿では,嘉心表現の原理に基づくデータ量子化アルゴリズムを提案する。 以上の結果から, カシ量子化はモデル性能の競争力や優れた品質を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-04-15T12:38:46Z)
• Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
  本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。 本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
  論文  参考訳（メタデータ） (2024-02-14T16:10:42Z)
• Refined Sample Complexity for Markov Games with Independent Linear Function Approximation [49.5660193419984]
  マルコフゲーム(MG)はマルチエージェント強化学習(MARL)の重要なモデルである 本稿では、WangらによるAVLPRフレームワークを改良し(2023年)、最適部分ギャップの悲観的推定を設計する。 マルチエージェントの呪いに取り組み、最適な$O(T-1/2)収束率を達成し、同時に$textpoly(A_max)$依存性を避ける最初のアルゴリズムを与える。
  論文  参考訳（メタデータ） (2024-02-11T01:51:15Z)
• Sparse PCA with Oracle Property [115.72363972222622]
  新規な正規化を伴うスパースPCAの半定緩和に基づく推定器群を提案する。 我々は、家族内の別の推定器が、スパースPCAの標準半定緩和よりも、より急激な収束率を達成することを証明した。
  論文  参考訳（メタデータ） (2023-12-28T02:52:54Z)
• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• A Bayesian Perspective for Determinant Minimization Based Robust Structured Matrix Factorizatio [10.355894890759377]
  構造行列分解問題に対するベイズ的視点を導入する。 解析結果から, 行列行列の因数分解に対するロバストな行列式を導出する手法が提案される。
  論文  参考訳（メタデータ） (2023-02-16T16:48:41Z)
• Accelerated structured matrix factorization [0.0]
  行列分解は、複雑な高次元データにおいて、実際の信号は一般に低次元構造にあるという考え方を利用する。 ベイジアン縮退を先取りして,高次元行列分解のための計算に便利な手法を考案する。 行と列のエンティティ間の依存性は、要素内でフレキシブルなスパースパターンを誘導することによってモデル化される。
  論文  参考訳（メタデータ） (2022-12-13T11:35:01Z)
• Adaptive Estimation of Graphical Models under Total Positivity [13.47131471222723]
  ガウス図形モデルにおける(対角的に支配的な)M-行列を精度行列として推定する問題を考える。 そこで本研究では,提案手法を改良した適応型多段階推定手法を提案する。 正規化問題を解くために,勾配予測法に基づく統一的なフレームワークを開発する。
  論文  参考訳（メタデータ） (2022-10-27T14:21:27Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
  共分散行列の明示的な構成を避ける新しい推論手法を提案する。 本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。 いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
  論文  参考訳（メタデータ） (2022-02-25T16:35:26Z)
• $\ell_1$-norm constrained multi-block sparse canonical correlation analysis via proximal gradient descent [0.0]
  マルチブロックCCA問題を解くための近似勾配降下アルゴリズムを提案する。 得られた推定値は、適切な仮定の下では、レート最適であることが示される。 また,複数の固有ベクトルを逐次推定するデフレ手順についても述べる。
  論文  参考訳（メタデータ） (2022-01-14T03:35:01Z)
• Modelling matrix time series via a tensor CP-decomposition [7.900118935012717]
  本稿では,テンソルCP分解に基づく行列時系列のモデル化を提案する。 CP分解における全ての成分係数は、時系列の次元とサンプルサイズの間の相対的なサイズによって異なる誤差率で連続的に推定されることを示す。
  論文  参考訳（メタデータ） (2021-12-31T13:02:06Z)
• Adversarially-Trained Nonnegative Matrix Factorization [77.34726150561087]
  非負行列ファクタリゼーションの逆学習版を検討する。 我々の定式化では、攻撃者は与えられたデータ行列に有界ノルムの任意の行列を追加する。 辞書と係数行列を最適化するために, 逆学習に触発された効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-04-10T13:13:17Z)
• Tangent Space Based Alternating Projections for Nonnegative Low Rank Matrix Approximation [22.96292865984433]
  非負の低階行列近似法では、特異値分解が必要なため、固定階行列の多様体への射影は高価である。 本稿では,多様体上の点の接空間を用いて多様体への射影を近似し,計算コストを削減することを提案する。
  論文  参考訳（メタデータ） (2020-09-02T05:25:16Z)
• Robust Low-rank Matrix Completion via an Alternating Manifold Proximal Gradient Continuation Method [47.80060761046752]
  ロバスト低ランク行列補完(RMC)は、コンピュータビジョン、信号処理、機械学習アプリケーションのために広く研究されている。 この問題は、部分的に観察された行列を低ランク行列とスパース行列の重ね合わせに分解することを目的とした。 RMCに取り組むために広く用いられるアプローチは、低ランク行列の核ノルム(低ランク性を促進するために)とスパース行列のl1ノルム(空間性を促進するために)を最小化する凸定式化を考えることである。 本稿では、近年のローワークの動機付けについて述べる。
  論文  参考訳（メタデータ） (2020-08-18T04:46:22Z)
• Understanding Implicit Regularization in Over-Parameterized Single Index Model [55.41685740015095]
  我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。 暗黙正則化現象の理論的保証を提供する。
  論文  参考訳（メタデータ） (2020-07-16T13:27:47Z)
• Information-Theoretic Limits for the Matrix Tensor Product [8.206394018475708]
  本稿では,ランダム行列の行列テンソル積を含む高次元推論問題について検討する。 本稿では,高次元行列保存信号の解析のための新しい手法を紹介する。
  論文  参考訳（メタデータ） (2020-05-22T17:03:48Z)
• Covariance Estimation for Matrix-valued Data [9.739753590548796]
  本研究では,高次元行列データに対する分布自由正規化共分散推定法を提案する。 我々は、バンド可能な共分散を推定するための統一的な枠組みを定式化し、ランク1の制約のないクロネッカー積近似に基づく効率的なアルゴリズムを導入する。 格子状温度異常データセットとS&P 500ストックデータ解析によるシミュレーションと実応用を用いて,本手法の優れた有限サンプル性能を実証した。
  論文  参考訳（メタデータ） (2020-04-11T02:15:26Z)

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。