論文の概要: Statistical Inference for Low-Rank Tensor Models
- arxiv url: http://arxiv.org/abs/2501.16223v1
- Date: Mon, 27 Jan 2025 17:14:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:55:13.644969
- Title: Statistical Inference for Low-Rank Tensor Models
- Title(参考訳): 低ランクテンソルモデルの統計的推測
- Authors: Ke Xu, Elynn Chen, Yuefeng Han,
- Abstract要約: 本稿では,低タッカーランク信号テンソルの一般および低タッカーランク線形汎関数を推定するための統一的枠組みを提案する。
退化戦略の活用とロータッカーランク多様体の接空間への射影により、一般および構造化線型汎函数の推論が可能となる。
- 参考スコア(独自算出の注目度): 6.461409103746828
- License:
- Abstract: Statistical inference for tensors has emerged as a critical challenge in analyzing high-dimensional data in modern data science. This paper introduces a unified framework for inferring general and low-Tucker-rank linear functionals of low-Tucker-rank signal tensors for several low-rank tensor models. Our methodology tackles two primary goals: achieving asymptotic normality and constructing minimax-optimal confidence intervals. By leveraging a debiasing strategy and projecting onto the tangent space of the low-Tucker-rank manifold, we enable inference for general and structured linear functionals, extending far beyond the scope of traditional entrywise inference. Specifically, in the low-Tucker-rank tensor regression or PCA model, we establish the computational and statistical efficiency of our approach, achieving near-optimal sample size requirements (in regression model) and signal-to-noise ratio (SNR) conditions (in PCA model) for general linear functionals without requiring sparsity in the loading tensor. Our framework also attains both computationally and statistically optimal sample size and SNR thresholds for low-Tucker-rank linear functionals. Numerical experiments validate our theoretical results, showcasing the framework's utility in diverse applications. This work addresses significant methodological gaps in statistical inference, advancing tensor analysis for complex and high-dimensional data environments.
- Abstract(参考訳): テンソルの統計的推測は、現代のデータ科学における高次元データ解析において重要な課題として浮上している。
本稿では、いくつかの低ランクテンソルモデルに対して、ロータッカーランク信号テンソルの一般および低タッカーランク線形汎関数を推定するための統一的なフレームワークを提案する。
本手法は,漸近的正規性を達成することと,最小限の信頼区間を構築することの2つの主要な目標に対処する。
退化戦略を利用し、ロータッカーランク多様体の接空間に射影することにより、一般および構造化線型汎函数の推論が可能となり、従来のエントリーワイド推論の範囲をはるかに超える。
具体的には、ロータッカーランクテンソル回帰(PCAモデル)において、負荷テンソルの間隔を必要とせず、一般線形汎関数に対する準最適サンプルサイズ要求(回帰モデル)および信号-雑音比(PCAモデル)条件(PCAモデル)を達成することにより、我々のアプローチの計算的および統計的効率を確立する。
我々のフレームワークは、低タッカーランク線形汎関数に対して、計算的および統計的に最適なサンプルサイズとSNRしきい値の両方を達成できる。
数値解析実験により, 各種応用におけるフレームワークの有用性を実証し, 理論的結果を検証した。
この研究は、複雑なデータ環境と高次元データ環境のテンソル解析を推し進め、統計的推論における重要な方法論的ギャップに対処する。
関連論文リスト
- Online Tensor Inference [0.0]
従来のオフライン学習は、各計算繰り返しにおける全てのデータの保存と利用を伴い、高次元テンソルデータには実用的ではない。
既存の低ランクテンソル法は、オンラインの方法での統計的推論能力に欠ける。
本手法では,広範囲なメモリ要求を伴わずに効率的なリアルタイムデータ処理を実現するため,グラディエント・Descent (SGD) を用いる。
論文 参考訳(メタデータ) (2023-12-28T16:37:48Z) - Structured Low-Rank Tensors for Generalized Linear Models [15.717917936953718]
一般化線形モデル(GLM)問題における低分離ランク(LSR)と呼ばれる新しい低ランクテンソルモデルについて検討する。
LSRモデルは有名なTuckerとCANDECOMP/PARAFAC(CP)モデルを一般化する。
合成データセットの実験は、3つの回帰型に対して提案したLSRテンソルモデルの有効性を示した。
論文 参考訳(メタデータ) (2023-08-05T17:20:41Z) - Statistical and computational rates in high rank tensor estimation [11.193504036335503]
高次のテンソルデータセットは一般的にレコメンデーションシステム、ニューロイメージング、ソーシャルネットワークに現れる。
高階モデルと低階モデルの両方を組み込んだ生成潜在変数テンソルモデルを考える。
統計的-計算的ギャップは 3 以上の潜時変テンソルに対してのみ現れることを示す。
論文 参考訳(メタデータ) (2023-04-08T15:34:26Z) - Kernel-based off-policy estimation without overlap: Instance optimality
beyond semiparametric efficiency [53.90687548731265]
本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。
任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
論文 参考訳(メタデータ) (2023-01-16T02:57:37Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳(メタデータ) (2022-05-19T08:37:56Z) - 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) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳(メタデータ) (2021-04-11T16:37:32Z) - 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) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳(メタデータ) (2020-06-11T09:58:01Z) - 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) - An Optimal Statistical and Computational Framework for Generalized
Tensor Estimation [10.899518267165666]
本稿では,低ランクテンソル推定問題に対するフレキシブルなフレームワークについて述べる。
計算画像、ゲノミクス、ネットワーク解析の応用から多くの重要な例を含む。
論文 参考訳(メタデータ) (2020-02-26T01:54:35Z)
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。