論文の概要: Scalable and consistent embedding of probability measures into Hilbert spaces via measure quantization
- arxiv url: http://arxiv.org/abs/2502.04907v2
- Date: Tue, 11 Feb 2025 15:17:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-12 14:10:09.527250
- Title: Scalable and consistent embedding of probability measures into Hilbert spaces via measure quantization
- Title(参考訳): 測度量子化によるヒルベルト空間への確率測度のスケーラブルで一貫した埋め込み
- Authors: Erell Gachon, Elsa Cazelles, Jérémie Bigot,
- Abstract要約: 入力確率測度を小容量の離散測度で近似するための測度量化に基づく2つの手法について検討した。
このような近似の整合性とその計算コストの低いヒルベルト空間への確率測度のスケーラブルな埋め込みへの応用について検討する。
- 参考スコア(独自算出の注目度): 1.6385815610837167
- License:
- Abstract: This paper is focused on statistical learning from data that come as probability measures. In this setting, popular approaches consist in embedding such data into a Hilbert space with either Linearized Optimal Transport or Kernel Mean Embedding. However, the cost of computing such embeddings prohibits their direct use in large-scale settings. We study two methods based on measure quantization for approximating input probability measures with discrete measures of small-support size. The first one is based on optimal quantization of each input measure, while the second one relies on mean-measure quantization. We study the consistency of such approximations, and its implication for scalable embeddings of probability measures into a Hilbert space at a low computational cost. We finally illustrate our findings with various numerical experiments.
- Abstract(参考訳): 本稿では,確率測度として得られるデータから統計学を学ぶことに焦点を当てる。
この設定において、一般的なアプローチは、そのようなデータを線形化された最適輸送またはケルネル平均埋め込みでヒルベルト空間に埋め込むことである。
しかし、そのような埋め込みの計算コストは、大規模な環境での直接の使用を禁止している。
入力確率測度を小容量の離散測度で近似するための測度量化に基づく2つの手法について検討した。
第1は各入力測度の最適量子化に基づいており、第2は平均測度量子化に依存している。
このような近似の整合性とその計算コストの低いヒルベルト空間への確率測度のスケーラブルな埋め込みへの応用について検討する。
最終的に、様々な数値実験でこの結果について解説する。
関連論文リスト
- Enhanced observable estimation through classical optimization of
informationally over-complete measurement data -- beyond classical shadows [0.0]
本稿では,2つのPOVM演算子を計測後に最適化する手法を提案する。
複数の観測可能な推定値の正準双対に対して,統計的誤差を著しく低減できることを示す。
論文 参考訳(メタデータ) (2024-01-31T18:13:42Z) - Tight conic approximation of testing regions for quantum statistical
models and measurements [5.801621787540268]
任意の量子統計モデルや測定値の試験領域の暗黙の外部近似を提供する。
また、近似式を適用して、ある量子統計モデルや測定を別の量子に変換する能力を特徴付ける。
論文 参考訳(メタデータ) (2023-09-28T04:02:55Z) - High Dimensional Statistical Estimation under One-bit Quantization [27.718986773043643]
1ビット(バイナリ)データは、信号ストレージ、処理、送信、プライバシーの強化といった効率性のために、多くのアプリケーションで好まれる。
本稿では,3つの基本的な統計的推定問題について検討する。
ガウス系と重尾系の両方で、高次元スケーリングを扱う新しい推定器が提案されている。
論文 参考訳(メタデータ) (2022-02-26T15:13:04Z) - Nystr\"om Kernel Mean Embeddings [92.10208929236826]
Nystr"om法に基づく効率的な近似手法を提案する。
サブサンプルサイズの条件は標準の$n-1/2$レートを得るのに十分である。
本稿では,この結果の最大誤差と二次規則の近似への応用について論じる。
論文 参考訳(メタデータ) (2022-01-31T08:26:06Z) - Manifold Hypothesis in Data Analysis: Double Geometrically-Probabilistic
Approach to Manifold Dimension Estimation [92.81218653234669]
本稿では, 多様体仮説の検証と基礎となる多様体次元推定に対する新しいアプローチを提案する。
我々の幾何学的手法はミンコフスキー次元計算のためのよく知られたボックスカウントアルゴリズムのスパースデータの修正である。
実データセットの実験では、2つの手法の組み合わせに基づく提案されたアプローチが強力で効果的であることが示されている。
論文 参考訳(メタデータ) (2021-07-08T15:35:54Z) - Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。
この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。
同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文 参考訳(メタデータ) (2021-07-05T18:30:26Z) - A Note on Optimizing Distributions using Kernel Mean Embeddings [94.96262888797257]
カーネル平均埋め込みは、その無限次元平均埋め込みによる確率測度を表す。
カーネルが特徴的である場合、カーネルの総和密度を持つ分布は密度が高いことを示す。
有限サンプル設定でそのような分布を最適化するアルゴリズムを提供する。
論文 参考訳(メタデータ) (2021-06-18T08:33:45Z) - Continuous Wasserstein-2 Barycenter Estimation without Minimax
Optimization [94.18714844247766]
ワッサーシュタイン・バリセンターは、最適輸送に基づく確率測度の重み付き平均の幾何学的概念を提供する。
本稿では,Wasserstein-2 バリセンタのサンプルアクセスを演算するスケーラブルなアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-02T21:01:13Z) - Direct estimation of quantum coherence by collective measurements [54.97898890263183]
量子状態におけるコヒーレンス量を推定するための集合的測定手法を提案する。
本手法は、トモグラフィーや適応計測に基づいて、他の推定方法よりも優れている。
本手法は,光子を用いて実験的に実装することで,今日の技術で利用できることを示す。
論文 参考訳(メタデータ) (2020-01-06T03:50:42Z)
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。