論文の概要: Asymptotic breakdown point analysis of the minimum density power divergence estimator under independent non-homogeneous setups
- arxiv url: http://arxiv.org/abs/2508.12426v1
- Date: Sun, 17 Aug 2025 16:33:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:10.76346
- Title: Asymptotic breakdown point analysis of the minimum density power divergence estimator under independent non-homogeneous setups
- Title（参考訳）: 独立な非均質セットアップ下での最小密度パワー偏差推定器の漸近分解点解析
- Authors: Suryasis Jana, Subhrajyoty Roy, Ayanendranath Basu, Abhik Ghosh,
- Abstract要約: 最低密度パワー分散推定器 (MDPDE) は、ロバスト推論の文献において大きな注目を集めている。
独立系や非均一系(INH)の観測など、様々な装置でうまく応用されている。
INH設定下におけるこの推定器のグローバルな信頼性や破壊挙動に関する一般的な結果は分かっていない。
- 参考スコア（独自算出の注目度）: 6.562256987706128
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The minimum density power divergence estimator (MDPDE) has gained significant attention in the literature of robust inference due to its strong robustness properties and high asymptotic efficiency; it is relatively easy to compute and can be interpreted as a generalization of the classical maximum likelihood estimator. It has been successfully applied in various setups, including the case of independent and non-homogeneous (INH) observations that cover both classification and regression-type problems with a fixed design. While the local robustness of this estimator has been theoretically validated through the bounded influence function, no general result is known about the global reliability or the breakdown behavior of this estimator under the INH setup, except for the specific case of location-type models. In this paper, we extend the notion of asymptotic breakdown point from the case of independent and identically distributed data to the INH setup and derive a theoretical lower bound for the asymptotic breakdown point of the MDPDE, under some easily verifiable assumptions. These results are further illustrated with applications to some fixed design regression models and corroborated through extensive simulation studies.
- Abstract（参考訳）: MDPDE (Minimum density Power divergence estimator) は、その強靭性特性と高漸近効率により、ロバスト推論の文献において大きな注目を集めており、計算は比較的容易であり、古典的な最大値推定器の一般化と解釈できる。
独立系と非同質系(INH)の観測で、分類問題と回帰型の問題の両方を固定設計でカバーするなど、様々な設定でうまく適用されている。
この推定器の局所ロバスト性は、有界影響関数によって理論的に検証されているが、位置型モデルを除いて、この推定器のグローバルな信頼性や破壊挙動については一般には知られていない。
本稿では,独立分散データと同一分散データからINH設定への漸近分解点の概念を拡張し,MDPDEの漸近分解点の理論的下限を,いくつかの容易に検証可能な仮定の下で導出する。
これらの結果は、いくつかの固定された設計回帰モデルへの応用でさらに説明され、広範なシミュレーション研究を通じて裏付けられている。
関連論文リスト
- Learning Overspecified Gaussian Mixtures Exponentially Fast with the EM Algorithm [5.625796693054093]
過特定ガウス混合モデルに適用した場合のEMアルゴリズムの収束特性について検討する。
集団EMアルゴリズムはクルバック・リーブラー距離(KL)において指数関数的に高速に収束することを示した。
論文 参考訳（メタデータ） (2025-06-13T14:57:57Z) - Wasserstein Distributionally Robust Nonparametric Regression [9.65010022854885]
本稿では、ワッサーシュタイン分布性非パラメトリック推定器の一般化特性について検討する。
我々は,過度の局地的最悪のリスクに対して,非漸近的エラー境界を確立する。
提案した推定器のロバスト性はシミュレーション研究を通じて評価し,MNISTデータセットへの適用例を示した。
論文 参考訳（メタデータ） (2025-05-12T18:07:37Z) - Optimal Differentially Private PCA and Estimation for Spiked Covariance Matrices [10.377683220196873]
共分散行列とその関連する主成分を推定することは、現代統計学における根本的な問題である。
スパイク共分散モデルにおける最適偏微分的主成分分析(PCA)と共分散推定について検討した。
計算効率のよい微分プライベート推定器を提案し、その極小極小性をガウス分布に対して証明する。
論文 参考訳（メタデータ） (2024-01-08T11:18:14Z) - Algebraic and Statistical Properties of the Ordinary Least Squares Interpolator [3.4320157633663064]
我々は最小$ell$-norm OLS補間器について結果を提供する。
ガウス・マルコフの定理の拡張のような統計的結果を示す。
我々はOLS補間器の特性をさらに探求するシミュレーションを行う。
論文 参考訳（メタデータ） (2023-09-27T16:41:10Z) - Statistical Efficiency of Score Matching: The View from Isoperimetry [96.65637602827942]
本研究では, スコアマッチングの統計的効率と推定される分布の等尺性との間に, 密接な関係を示す。
これらの結果はサンプル状態と有限状態の両方で定式化する。
論文 参考訳（メタデータ） (2022-10-03T06:09:01Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳（メタデータ） (2022-02-23T06:11:49Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳（メタデータ） (2021-10-24T10:23:51Z) - Near-optimal inference in adaptive linear regression [60.08422051718195]
最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。
我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。
我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
論文 参考訳（メタデータ） (2021-07-05T21:05:11Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - 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) - 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。