論文の概要: Statistical Inference in Tensor Completion: Optimal Uncertainty Quantification and Statistical-Computational Gaps
- arxiv url: http://arxiv.org/abs/2410.11225v1
- Date: Tue, 15 Oct 2024 03:09:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-16 14:01:17.859386
- Title: Statistical Inference in Tensor Completion: Optimal Uncertainty Quantification and Statistical-Computational Gaps
- Title(参考訳): テンソルコンプリートにおける統計的推測: 最適不確かさの定量化と統計的計算ギャップ
- Authors: Wanteng Ma, Dong Xia,
- Abstract要約: 本稿では,不完全かつノイズの多い観測でテンソル線形形式を統計的に推定する,単純かつ効率的な手法を提案する。
これは、信頼区間予測、ヘテロスケダティックおよびサブ指数雑音下での推論、同時試験など、様々な統計的推論タスクに適している。
- 参考スコア(独自算出の注目度): 7.174572371800217
- License:
- Abstract: This paper presents a simple yet efficient method for statistical inference of tensor linear forms with incomplete and noisy observations. Under the Tucker low-rank tensor model, we utilize an appropriate initial estimate, along with a debiasing technique followed by a one-step power iteration, to construct an asymptotic normal test statistic. This method is suitable for various statistical inference tasks, including confidence interval prediction, inference under heteroskedastic and sub-exponential noises, and simultaneous testing. Furthermore, the approach reaches the Cram\'er-Rao lower bound for statistical estimation on Riemannian manifolds, indicating its optimality for uncertainty quantification. We comprehensively discusses the statistical-computational gaps and investigates the relationship between initialization and bias-correlation approaches. The findings demonstrate that with independent initialization, statistically optimal sample sizes and signal-to-noise ratios are sufficient for accurate inferences. Conversely, when initialization depends on the observations, computationally optimal sample sizes and signal-to-noise ratios also guarantee asymptotic normality without the need for data-splitting. The phase transition of computational and statistical limits is presented. Numerical simulations results conform to the theoretical discoveries.
- Abstract(参考訳): 本稿では,不完全かつノイズの多い観測でテンソル線形形式を統計的に推定する,単純かつ効率的な手法を提案する。
タッカー低ランクテンソルモデルの下では、デバイアス法と1ステップの電力反復法を併用して、漸近的正規テスト統計を構築する。
本手法は, 信頼区間予測, ヘテロスケダティックおよびサブ指数雑音下での推測, 同時試験など, 様々な統計的推論タスクに適している。
さらに、アプローチはリーマン多様体上の統計的推定のためにクラム・ラーオの下界に到達し、不確実量化の最適性を示す。
本稿では,統計計算のギャップを包括的に議論し,初期化とバイアス相関法との関係について検討する。
その結果, 独立初期化では, 統計的に最適なサンプルサイズ, 信号対雑音比が正確な推測に十分であることが示唆された。
逆に、初期化が観測に依存する場合、計算的に最適なサンプルサイズと信号対雑音比もまた、データ分割を必要とせずに漸近正規性を保証する。
計算限界と統計限界の位相遷移を示す。
数値シミュレーションの結果は理論的な発見と一致している。
関連論文リスト
- On semi-supervised estimation using exponential tilt mixture models [12.347498345854715]
バイナリ応答と予測器のラベル付きデータセットと、予測器のみのラベル付きデータセットによる半教師付き設定を考えてみましょう。
半教師付き推定のために,指数傾斜混合(ETM)モデルを用いた統計的アプローチのさらなる解析と理解を開発する。
論文 参考訳(メタデータ) (2023-11-14T19:53:26Z) - Communication-Efficient Distributed Estimation and Inference for Cox's Model [4.731404257629232]
我々は, 高次元のスパースコックス比例ハザードモデルにおいて, 推定と推定のための通信効率のよい反復分散アルゴリズムを開発した。
高次元ハザード回帰係数の線形結合に対する信頼区間を構築するために,新しい縮退法を提案する。
我々は、デコラートスコアテストに基づく任意の座標要素に対して、有効かつ強力な分散仮説テストを提供する。
論文 参考訳(メタデータ) (2023-02-23T15:50:17Z) - Statistical Efficiency of Score Matching: The View from Isoperimetry [96.65637602827942]
本研究では, スコアマッチングの統計的効率と推定される分布の等尺性との間に, 密接な関係を示す。
これらの結果はサンプル状態と有限状態の両方で定式化する。
論文 参考訳(メタデータ) (2022-10-03T06:09:01Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳(メタデータ) (2022-02-23T06:11:49Z) - Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。
そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
論文 参考訳(メタデータ) (2021-08-25T21:30:27Z) - Near-optimal inference in adaptive linear regression [60.08422051718195]
最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。
我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。
我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
論文 参考訳(メタデータ) (2021-07-05T21:05:11Z) - Statistical Inference for High-Dimensional Linear Regression with
Blockwise Missing Data [13.48481978963297]
ブロックワイドなデータは、異なるソースまたはモダリティが相補的な情報を含むマルチソースまたはマルチモダリティデータを統合するときに発生する。
本稿では,未偏差推定方程式に基づいて回帰係数ベクトルを計算効率良く推定する手法を提案する。
アルツハイマー病神経画像イニシアチブの数値的研究と応用分析により、提案手法は既存の方法よりも教師なしのサンプルからより優れた性能と利益を得られることを示した。
論文 参考訳(メタデータ) (2021-06-07T05:12:42Z) - Inference for Low-rank Tensors -- No Need to Debias [22.163281794187544]
本稿では,低ランクテンソルモデルの統計的推論について考察する。
階数 1 の PCA モデルに対して、個々の特異テンソル上での推論の理論を確立する。
最後に、理論的な発見を裏付けるシミュレーションが提示される。
論文 参考訳(メタデータ) (2020-12-29T16:48:02Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2020-06-08T07:01:38Z) - Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。
本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
論文 参考訳(メタデータ) (2020-05-22T22:30:52Z)
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。