論文の概要: Online Regularized Learning Algorithms in RKHS with $β$- and $φ$-Mixing Sequences
- arxiv url: http://arxiv.org/abs/2507.05929v1
- Date: Tue, 08 Jul 2025 12:25:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-09 16:34:38.037072
- Title: Online Regularized Learning Algorithms in RKHS with $β$- and $φ$-Mixing Sequences
- Title（参考訳）: RKHSにおける$β$-および$φ$-Mixingシーケンスを用いたオンライン正規化学習アルゴリズム
- Authors: Priyanka Roy, Susanne Saminger-Platz,
- Abstract要約: 再現Hilbertカーネル空間(RKHS)におけるオンライン正規化学習アルゴリズムについて検討する。
我々は、(phi)-および(beta)-混合係数によって依存構造が特徴づけられる厳密な定常マルコフ連鎖を解析する。
- 参考スコア（独自算出の注目度）: 1.1510009152620668
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we study an online regularized learning algorithm in a reproducing kernel Hilbert spaces (RKHS) based on a class of dependent processes. We choose such a process where the degree of dependence is measured by mixing coefficients. As a representative example, we analyze a strictly stationary Markov chain, where the dependence structure is characterized by the \(\phi\)- and \(\beta\)-mixing coefficients. Under these assumptions, we derive probabilistic upper bounds as well as convergence rates for both the exponential and polynomial decay of the mixing coefficients.
- Abstract（参考訳）: 本稿では、依存プロセスのクラスに基づいて、再現カーネルヒルベルト空間(RKHS)におけるオンライン正規化学習アルゴリズムについて検討する。
我々は, 依存度を混合係数によって測定するプロセスを選択する。
代表的な例として、厳密な定常マルコフ連鎖を解析し、従属構造は \(\phi\)- と \(\beta\)-混合係数によって特徴づけられる。
これらの仮定の下では、確率的上界と混合係数の指数的および多項式的崩壊の収束率を導出する。
関連論文リスト
- Gaussian Processes and Reproducing Kernels: Connections and Equivalences [38.51130427120958]
モノグラフは、正定核を用いた2つのアプローチの関係を研究する:ガウス過程を用いた確率的方法と、再現されたカーネルヒルベルト空間(RKHS)を用いた非確率的方法
機械学習、統計学、数値解析で広く研究されている。
論文 参考訳（メタデータ） (2025-06-20T12:08:18Z) - Uncertainty quantification for Markov chains with application to temporal difference learning [63.49764856675643]
マルコフ連鎖のベクトル値および行列値関数に対する新しい高次元濃度不等式とベリー・エッシー境界を開発する。
我々は、強化学習における政策評価に広く用いられているTD学習アルゴリズムを解析する。
論文 参考訳（メタデータ） (2025-02-19T15:33:55Z) - Gradient Descent Algorithm in Hilbert Spaces under Stationary Markov Chains with $φ$- and $β$-Mixing [1.1510009152620668]
本稿では,Hilbert空間で動作する厳密な定常マルコフ連鎖降下アルゴリズムについて検討する。
本分析では,基礎となるプロセスの混合係数,特に$phi$-および$$$beta-mixing係数に着目した。
論文 参考訳（メタデータ） (2025-02-05T19:09:07Z) - Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence [65.63201894457404]
非線形微分方程式のドリフトと拡散係数の同定のための新しい非パラメトリック学習パラダイムを提案する。
鍵となる考え方は、基本的には、対応するフォッカー・プランク方程式のRKHSに基づく近似をそのような観測に適合させることである。
論文 参考訳（メタデータ） (2023-05-24T20:43:47Z) - Ensemble Recognition in Reproducing Kernel Hilbert Spaces through
Aggregated Measurements [0.0]
カーネルヒルベルト空間(RKHS)再生における統計的アプローチを用いて,アンサンブル系の動的特性を集団行動から学習する問題について検討する。
RKHSで集計した計測値間の最大平均差(MMD)を計算し,複数のアンサンブルシステムを特定し,クラスタ化するフレームワークを提供する。
提案手法は, RKHS における複数の未知のアンサンブルを集約するために, 集約された測定値を用いて拡張可能であることを示す。
論文 参考訳（メタデータ） (2021-12-28T22:04:03Z) - Nonlinear Independent Component Analysis for Continuous-Time Signals [85.59763606620938]
このプロセスの混合物の観察から多次元音源過程を復元する古典的問題を考察する。
このリカバリは、この混合物が十分に微分可能で可逆な関数によって与えられる場合、多くの一般的なプロセスのモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。
論文 参考訳（メタデータ） (2021-02-04T20:28:44Z) - The Connection between Discrete- and Continuous-Time Descriptions of
Gaussian Continuous Processes [60.35125735474386]
我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。
この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
論文 参考訳（メタデータ） (2021-01-16T17:11:02Z) - Distributed Learning with Dependent Samples [17.075804626858748]
我々は、分散カーネルリッジ回帰のための最適な学習率を、強い混合配列に対して導出する。
本研究は, 分散学習の応用範囲を, サンプルから非I.d.シーケンスまで拡張した。
論文 参考訳（メタデータ） (2020-02-10T14:03:45Z)
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。