論文の概要: The Broader Landscape of Robustness in Algorithmic Statistics
- arxiv url: http://arxiv.org/abs/2412.02670v1
- Date: Tue, 03 Dec 2024 18:44:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:46:49.436643
- Title: The Broader Landscape of Robustness in Algorithmic Statistics
- Title(参考訳): アルゴリズム統計学におけるロバストネスの広さ
- Authors: Gautam Kamath,
- Abstract要約: データセットの汚染、ヘビーテールのデータ、あるいはデータセットのプライバシを保存するという意味での、さまざまな方法において、推定器は堅牢である可能性がある。
同じアルゴリズムのアイデアが、これらのすべての設定において、計算効率の良い推定に繋がることを示す。
- 参考スコア(独自算出の注目度): 7.555443553368947
- License:
- Abstract: The last decade has seen a number of advances in computationally efficient algorithms for statistical methods subject to robustness constraints. An estimator may be robust in a number of different ways: to contamination of the dataset, to heavy-tailed data, or in the sense that it preserves privacy of the dataset. We survey recent results in these areas with a focus on the problem of mean estimation, drawing technical and conceptual connections between the various forms of robustness, showing that the same underlying algorithmic ideas lead to computationally efficient estimators in all these settings.
- Abstract(参考訳): 過去10年間、頑健性の制約を受ける統計手法のための計算効率のよいアルゴリズムが多くの進歩を遂げてきた。
データセットの汚染、ヘビーテールのデータ、あるいはデータセットのプライバシを保存するという意味での、さまざまな方法で、推定器は堅牢である可能性がある。
我々は,これらの領域における最近の研究成果を,各形態のロバスト性の間に,平均推定の問題,技術的および概念的つながりを抽出することに着目して調査し,その基礎となるアルゴリズム的アイデアが,これらすべての設定において,計算効率の高い推定器に繋がることを示した。
関連論文リスト
- C-HDNet: A Fast Hyperdimensional Computing Based Method for Causal Effect Estimation from Networked Observational Data [2.048226951354646]
本稿では,ネットワーク接続の有無で観測データから因果効果を推定する問題を考察する。
本稿では,超次元計算を利用してネットワーク情報をモデル化し,予測性能を向上させる新しいマッチング手法を提案する。
論文 参考訳(メタデータ) (2025-01-27T23:12:18Z) - Uncertainty quantification for learned ISTA [5.706217259840463]
これらのモデルに基づく学習手法では,アルゴリズムの解法が顕著である。
確実性見積が欠如しており、不確実性定量化の理論はまだ解明されていない。
本研究は,LISTA推定器の信頼区間を得るための厳密な手法を提案する。
論文 参考訳(メタデータ) (2023-09-14T18:39:07Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-06T13:18:31Z) - Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。
これらの問題に対する新規で簡単な最適化法を開発した。
結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
論文 参考訳(メタデータ) (2021-09-23T17:38:24Z) - Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。
解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。
私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
論文 参考訳(メタデータ) (2021-05-07T09:22:34Z) - Distributed Learning of Finite Gaussian Mixtures [21.652015112462]
有限ガウス混合系の分散学習における分割・対数アプローチについて検討する。
新しい推定器は整合性を示し、いくつかの一般的な条件下ではルート-nの整合性を保持する。
シミュレーションおよび実世界のデータに基づく実験により、提案手法はグローバル推定器と同等の統計的性能を有することが示された。
論文 参考訳(メタデータ) (2020-10-20T16:17:47Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳(メタデータ) (2020-07-07T18:25:25Z) - Designing Differentially Private Estimators in High Dimensions [0.0]
本研究では,高次元環境下での個人平均推定について検討する。
高次元ロバスト統計学における最近の研究で、計算的に抽出可能な平均推定アルゴリズムが特定されている。
論文 参考訳(メタデータ) (2020-06-02T21:17:30Z) - High-Dimensional Robust Mean Estimation via Gradient Descent [73.61354272612752]
一定対向分数の存在下でのロバスト平均推定の問題は勾配降下によって解けることを示す。
我々の研究は、近辺の非補題推定とロバスト統計の間の興味深い関係を確立する。
論文 参考訳(メタデータ) (2020-05-04T10:48:04Z) - A General Method for Robust Learning from Batches [56.59844655107251]
本稿では,バッチから頑健な学習を行う一般的なフレームワークについて考察し,連続ドメインを含む任意の領域に対する分類と分布推定の限界について考察する。
本手法は,一括分節分類,一括分節,単調,対数凹,ガウス混合分布推定のための,最初の頑健な計算効率の学習アルゴリズムを導出する。
論文 参考訳(メタデータ) (2020-02-25T18:53:25Z) - On Robust Mean Estimation under Coordinate-level Corruption [23.117927954549618]
コーディネートレベルの汚職に対する分布シフトのハミング距離に基づく新しい尺度を導入する。
この尺度は、以前の作品よりも現実的な汚職を捉えた敵モデルが得られることを示す。
本研究では, 構造分布に対して, 理論的により正確な平均推定値を求める手法を提案する。
論文 参考訳(メタデータ) (2020-02-10T23:48:50Z)
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。