論文の概要: Asymptotic Theory for Graphical SLOPE: Precision Estimation and Pattern Convergence
- arxiv url: http://arxiv.org/abs/2604.12771v1
- Date: Tue, 14 Apr 2026 14:10:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.48748
- Title: Asymptotic Theory for Graphical SLOPE: Precision Estimation and Pattern Convergence
- Title（参考訳）: 図形SLOPEの漸近理論:精度推定とパターン収束
- Authors: Ivan Hejný, Giovanni Bonaccolto, Philipp Kremer, Sandra Paterlini, Małgorzata Bogdan, Jonas Wallin,
- Abstract要約: 本稿では,精度行列推定のためのグラフィカルSLOPEについて検討する。
固定次元状態において、ルート=$n$スケール推定誤差は厳密な凸最適化問題の一意の最小化に収束する。
また、誘導SLOPEパターンの収束性を確立し、推定器によって選択されたクラスタリング構造の特徴づけを得る。
- 参考スコア（独自算出の注目度）: 2.5407895016635127
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies Graphical SLOPE for precision matrix estimation, with emphasis on its ability to recover both sparsity and clusters of edges with equal or similar strength. In a fixed-dimensional regime, we establish that the root-$n$ scaled estimation error converges to the unique minimizer of a strictly convex optimization problem defined through the directional derivative of the SLOPE penalty. We also establish convergence of the induced SLOPE pattern, thereby obtaining an asymptotic characterization of the clustering structure selected by the estimator. A comparison with GLASSO shows that the grouping property of SLOPE can substantially improve estimation accuracy when the precision matrix exhibits structured edge patterns. To assess the effect of departures from Gaussianity, we then analyze Gaussian-loss precision matrix estimation under elliptical distributions. In this setting, we derive the limiting distribution and quantify the inflation in variability induced by heavy tails relative to the Gaussian benchmark. We also study TSLOPE, based on the multivariate $t$-loss, and derive its limiting distribution. The results show that TSLOPE offers clear advantages over GSLOPE under heavy-tailed data-generating mechanisms. Simulation evidence suggests that these qualitative conclusions persist in high-dimensional settings, and an empirical application shows that SLOPE-based estimators, especially TSLOPE, can uncover economically meaningful clustered dependence structures.
- Abstract（参考訳）: 本稿では, 精度行列推定のためのグラフィカルSLOPEについて検討する。
固定次元状態において、ルート=$n$スケール推定誤差は、SLOPEペナルティの方向微分によって定義される厳密な凸最適化問題の一意の最小化に収束する。
また、誘導SLOPEパターンの収束を確立し、推定器によって選択されたクラスタリング構造の漸近的特徴を得る。
GLASSOとの比較により、SLOPEのグルーピング特性は、精度行列が構造化エッジパターンを示す場合、推定精度を著しく向上できることが示された。
ガウス性からの出発の影響を評価するため,楕円分布下でのガウス-ロス精度行列推定を解析する。
この設定では、ガウスベンチマークに対する重みによる変動性の限界分布を導出し、インフレーションの定量化を行う。
また、TSLOPEを多変量$t$-lossに基づいて研究し、その制限分布を導出する。
その結果,TSLOPEは重み付きデータ生成機構下でGSLOPEよりも明らかに有利であることがわかった。
シミュレーションの証拠は、これらの定性的な結論が高次元設定で持続していることを示し、SLOPEに基づく推定器(特にTSLOPE)が経済的に意味のあるクラスター依存構造を明らかにすることを実証的な応用として示している。
関連論文リスト
- Variational Approximated Restricted Maximum Likelihood Estimation for Spatial Data [0.0]
本研究では,ガウス固有条件付き自己回帰(ICAR)構造を用いてモデル化した空間データに対するスケーラブルな推論について考察する。
本稿では,ガウス変分分布を用いて抽出可能な限界確率を近似する変動制限最大度(VREML)フレームワークを提案する。
制限された可能性に基づいてエビデンスローバウンド(ELBO)を構築することにより、空間ランダム効果と分散成分を共同で推定する計算効率の良い座標平均アルゴリズムを導出する。
論文 参考訳（メタデータ） (2026-04-08T22:31:30Z) - SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。
行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。
我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
論文 参考訳（メタデータ） (2026-01-06T19:47:11Z) - On the Optimal Construction of Unbiased Gradient Estimators for Zeroth-Order Optimization [57.179679246370114]
既存の手法の潜在的な制限は、ステップサイズが提案されない限り、ほとんどの摂動推定器に固有のバイアスである。
本稿では, 良好な構成を維持しつつ, バイアスを排除した非バイアス勾配スケーリング推定器のファミリーを提案する。
論文 参考訳（メタデータ） (2025-10-22T18:25:43Z) - 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) - Statistical Limits in Random Tensors with Multiple Correlated Spikes [6.614637831308917]
確率行列理論のツールを用いてマルチスパイクテンソルモデルを研究する。
本研究では, 位相遷移現象を解析し, 対応する最適化問題の臨界点を求める。
本稿では,方程式系を解くことで,階数=r$重みの新たな推定法を提案する。
論文 参考訳（メタデータ） (2025-03-05T10:37:54Z) - Asymptotics of Linear Regression with Linearly Dependent Data [28.005935031887038]
非ガウス共変量の設定における線形回帰の計算について検討する。
本稿では,依存性が推定誤差と正規化パラメータの選択にどのように影響するかを示す。
論文 参考訳（メタデータ） (2024-12-04T20:31:47Z) - Convex Parameter Estimation of Perturbed Multivariate Generalized
Gaussian Distributions [18.95928707619676]
本稿では,MGGDパラメータの確立された特性を持つ凸定式化を提案する。
提案するフレームワークは, 精度行列, 平均, 摂動の様々な正規化を組み合わせ, 柔軟である。
実験により, 平均ベクトルパラメータに対して, 同様の性能でより正確な精度と共分散行列推定を行うことができた。
論文 参考訳（メタデータ） (2023-12-12T18:08:04Z) - Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。
我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。
全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
論文 参考訳（メタデータ） (2023-06-29T01:20:44Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳（メタデータ） (2022-10-21T13:19:45Z) - BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。
近年の進歩により、観測データからDAGの有効最大点推定が可能となった。
線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
論文 参考訳（メタデータ） (2021-12-06T03:35:21Z)
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。