Fugu-MT 論文翻訳(概要): A Geometric Approach to Problems in Optimization and Data Science

論文の概要: A Geometric Approach to Problems in Optimization and Data Science

arxiv url: http://arxiv.org/abs/2504.16270v1
Date: Tue, 22 Apr 2025 21:06:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:52.933307
Title: A Geometric Approach to Problems in Optimization and Data Science
Title（参考訳）: 最適化とデータサイエンスにおける問題への幾何学的アプローチ
Authors: Naren Sarayu Manoj,
Abstract要約: 高次元幾何と確率のツールを用いた計算および統計的機械学習における問題に対する新しい結果を与える。具体的には、ストリーム内の凸多面体を近似する新しいアルゴリズム、スパーシフィケーション、ロバストな最小二乗回帰を与える。第2部では,データサイエンス問題に対する新たな統計的保証について述べる。
参考スコア（独自算出の注目度）: 2.44755919161855
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We give new results for problems in computational and statistical machine learning using tools from high-dimensional geometry and probability. We break up our treatment into two parts. In Part I, we focus on computational considerations in optimization. Specifically, we give new algorithms for approximating convex polytopes in a stream, sparsification and robust least squares regression, and dueling optimization. In Part II, we give new statistical guarantees for data science problems. In particular, we formulate a new model in which we analyze statistical properties of backdoor data poisoning attacks, and we study the robustness of graph clustering algorithms to ``helpful'' misspecification.
Abstract（参考訳）: 高次元幾何と確率のツールを用いた計算および統計機械学習における問題に対する新しい結果を与える。私たちは治療を2つに分けた。第1部では,最適化における計算的考察に焦点をあてる。具体的には、ストリーム内の凸多面体を近似する新しいアルゴリズム、スパーシフィケーションとロバストな最小二乗回帰、およびデュエル最適化を提案する。第2部では,データサイエンス問題に対する新たな統計的保証について述べる。特に,バックドアデータ中毒攻撃の統計的特性を解析し,グラフクラスタリングアルゴリズムのロバスト性について検討する。

関連論文リスト

PETScML: Second-order solvers for training regression problems in Scientific Machine Learning [0.22499166814992438]
近年、分析のためのデータ駆動ツールとして、科学機械学習の出現を目撃している。我々は、ディープラーニングソフトウェアと従来の機械学習技術とのギャップを埋めるために、Portable and Extensible Toolkit for Scientific計算上に構築されたソフトウェアを紹介します。
論文参考訳（メタデータ） (2024-03-18T18:59:42Z)
Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
論文参考訳（メタデータ） (2023-10-09T03:55:09Z)
Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文参考訳（メタデータ） (2023-04-12T14:51:47Z)
Statistical Learning and Inverse Problems: An Stochastic Gradient Approach [0.0]
逆問題は科学と工学において最重要である。本稿では,統計的逆問題 (SIP) のセットアップについて考察し,線形SIP設定においてグラディエント・ディフレッシュ (SGD) アルゴリズムをどのように利用できるかを示す。
論文参考訳（メタデータ） (2022-09-29T17:42:01Z)
A Novel Plug-and-Play Approach for Adversarially Robust Generalization [38.72514422694518]
本稿では,MLモデルを摂動テストデータから保護するために,逆向きに堅牢なトレーニングを採用する頑健なフレームワークを提案する。私たちの貢献は、計算学と統計学の両方の観点から見ることができます。
論文参考訳（メタデータ） (2022-08-19T17:02:55Z)
On a class of geodesically convex optimization problems solved via Euclidean MM methods [50.428784381385164]
ユークリッド凸化関数の違いは、統計学と機械学習の異なるタイプの問題の違いとして記述できることを示す。最終的に、より広い範囲、より広い範囲の作業を支援するのです。
論文参考訳（メタデータ） (2022-06-22T23:57:40Z)
Neural Improvement Heuristics for Graph Combinatorial Optimization Problems [49.85111302670361]
本稿では,ノード,エッジ,あるいはその両方に情報をエンコードするグラフベースの問題を扱う新しいニューラル改善(NI)モデルを提案する。提案モデルは,各地区の操作の選択を誘導する丘登頂に基づくアルゴリズムの基本的な構成要素として機能する。
論文参考訳（メタデータ） (2022-06-01T10:35:29Z)
Simple Stochastic and Online Gradient DescentAlgorithms for Pairwise Learning [65.54757265434465]
ペアワイズ学習(Pairwise learning)とは、損失関数がペアインスタンスに依存するタスクをいう。オンライン降下(OGD)は、ペアワイズ学習でストリーミングデータを処理する一般的なアプローチである。本稿では,ペアワイズ学習のための手法について,シンプルでオンラインな下降を提案する。
論文参考訳（メタデータ） (2021-11-23T18:10:48Z)
Learning to Sparsify Travelling Salesman Problem Instances [0.5985204759362747]
プルーニングマシンラーニングを前処理のステップとして使用し、旅行セールスマンの問題をスパーシャライズするために正確なプログラミングアプローチを行います。私たちの学習アプローチは、非常に少ないトレーニングデータを必要とし、数学的分析に適応可能です。
論文参考訳（メタデータ） (2021-04-19T14:35:14Z)
Analysis of Truncated Orthogonal Iteration for Sparse Eigenvector Problems [78.95866278697777]
本研究では,多元的固有ベクトルを分散制約で同時に計算するTruncated Orthogonal Iterationの2つの変種を提案する。次に,我々のアルゴリズムを適用して,幅広いテストデータセットに対するスパース原理成分分析問題を解く。
論文参考訳（メタデータ） (2021-03-24T23:11:32Z)
Optimization for Supervised Machine Learning: Randomized Algorithms for Data and Parameters [10.279748604797911]
機械学習とデータサイエンスの主な問題は、最適化問題として日常的にモデル化され、最適化アルゴリズムによって解決される。データ量の増加と、これらの不条件最適化タスクを定式化するために使用される統計モデルのサイズと複雑さにより、これらの課題に対処できる新しい効率的なアルゴリズムが必要である。この論文では,これらの課題をそれぞれ異なる方法で処理する。ビッグデータ問題に効率的に対処するために,各イテレーションでトレーニングデータの小さなランダムサブセットのみを検査する新しい手法を開発する。大きなモデル問題に対処するために、イテレーション毎に更新されるメソッドを開発します。
論文参考訳（メタデータ） (2020-08-26T21:15:18Z)
Global Optimization of Gaussian processes [52.77024349608834]
少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。提案手法の順序の順序による時間収束を,総じて低減する。
論文参考訳（メタデータ） (2020-05-21T20:59:11Z)

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。