論文の概要: PRIM-cipal components analysis
- arxiv url: http://arxiv.org/abs/2604.15538v1
- Date: Thu, 16 Apr 2026 21:42:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-20 22:00:19.656509
- Title: PRIM-cipal components analysis
- Title（参考訳）: PRIM-cipal 成分分析
- Authors: Tianhao Liu, Daniel Andrés Díaz-Pachón, J. Sunil Rao,
- Abstract要約: Supervised No Free Lunch Theorems (NFLTs) はよく研究されているが、教師なしのNFLTは未調査のままである。
我々は、普遍的な勝者が存在しない全く正反対の2つの最適で科学的に有意義なバンプハンティング戦略が存在することを証明した。
我々は、Fashion-MNISTデータベース上で、最大主成分の剥離は多重度を捉え、最小主成分の剥離はポピュラーなスタイルを分離することを示した。
- 参考スコア（独自算出の注目度）: 7.6075700588759
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Supervised No Free Lunch Theorems (NFLTs) are well studied, yet unsupervised NFLTs remain underexplored. For elliptical distributions, we prove that there exist two equally optimal, scientifically meaningful bump-hunting strategies that are exact opposites, with no universal winner. Specifically, peeling $k$ orthogonal dimensions from $\mathbb{R}^d$ ($d \ge k$), retaining an inter-quantile region of probability $1-α$ per peeled dimension, maximizes total variance and Frobenius norm when the $k$ smallest principal components (called pettiest components) are selected, and minimizes them when the selected dimensions are the $k$ leading principal components. These optima inspire PRIM-based bump-hunting algorithms either by minimizing variance or by minimizing volume, thereby motivating an NFLT. We test our results on the Fashion-MNIST database, showing that peeling the largest principal components captures multiplicity, while peeling the smallest principal components isolates popular styles.
- Abstract（参考訳）: Supervised No Free Lunch Theorems (NFLTs) はよく研究されているが、教師なしのNFLTは未調査のままである。
楕円分布に対しては、普遍的な勝者が存在しない正反対の2つの最適かつ科学的に有意義なバンプハンティング戦略が存在することを証明している。
具体的には、$k$ 直交次元を $\mathbb{R}^d$ (d \ge k$) から取り除き、もし$k$ 最小の主成分(ペティスト成分と呼ばれる)が選択され、選択された次元が $k$ の主成分である場合に最小化され、全分散とフロベニウスノルムを最大化する。
これらのオプティマは、分散を最小化するか、ボリュームを最小化することでPRIMベースのバンプハンティングアルゴリズムを刺激し、NFLTを動機付ける。
我々は、Fashion-MNISTデータベース上で、最大主成分の剥離は多重度を捉え、最小主成分の剥離はポピュラーなスタイルを分離することを示した。
関連論文リスト
- Geometric Limits of Knowledge Distillation: A Minimum-Width Theorem via Superposition Theory [0.0]
知識蒸留は、大規模な教師を小さな学生に圧縮するが、訓練方法や目的を越えて継続する損失フロアでパフォーマンスが飽和する。
このフロアは幾何学的であり、ニューラルネットワークは重ね合わせによって次元よりもはるかに多くの特徴を表現している。
本研究は, 蒸留限界に表現幾何学を結合させ, SAE測定だけで蒸留性能を予測するための実用的なツールを提供する。
論文 参考訳（メタデータ） (2026-04-05T09:35:56Z) - Singular Bayesian Neural Networks [1.2891210250935148]
ベイズニューラルネットワークはキャリブレーションされた不確かさを約束するが、標準平均体ガウス後方に対する$O(mn)$パラメータを必要とする。
我々は、ルベーグ測度に関して特異な後部を誘導し、ランク-$r$多様体に集中する。
複素項が $sqrtr(m+n)$ ではなく $sqrtm n$ としてスケールするPAC-Bayes 一般化境界を導出し、誤差を最適化とランク誘導バイアスに分解する損失境界を証明する。
論文 参考訳（メタデータ） (2026-01-30T23:06:34Z) - $\mathbb{R}^{2k}$ is Theoretically Large Enough for Embedding-based Top-$k$ Retrieval [99.8640829555514]
本稿では,最小埋め込み次元 (Minimal Embeddable Dimension, MED) で表されるベクトル空間に部分集合 (m$ element, $mchoose k$ subsets of at least $k$ element) を埋め込むために必要な最小次元について検討する。
MEDの密接な境界は理論的に導出され、$ell$メートル法、内積、コサイン類似性を含む「距離」や「類似性」の様々な概念に対して実証的に支持される。
論文 参考訳（メタデータ） (2026-01-28T18:45:43Z) - Multiple-play Stochastic Bandits with Prioritized Arm Capacity Sharing [52.124267908936396]
このモデルは、$M$armと$K$playで構成されている。
各アームには複数の能力があり、各ユニットの能力は報酬関数に関連付けられている。
複数のプレーがアームキャパシティを競う場合、アームキャパシティは第1の優先重みで割り当てられる。
論文 参考訳（メタデータ） (2025-12-25T11:19:09Z) - Preference-based Reinforcement Learning beyond Pairwise Comparisons: Benefits of Multiple Options [35.41703011973504]
オンライン嗜好に基づく強化学習(PbRL)を,サンプル効率の向上を目的として検討した。
本稿では,提案するサブセット内の平均不確実性を最大化し,複数の動作を選択するアルゴリズムであるM-AUPOを提案する。
M-AUPO が $tildemathcalOleft( fracdT sqrt sum_t=1T frac1|S_t| right)$ の準最適ギャップを達成できることを証明する。
論文 参考訳（メタデータ） (2025-10-21T15:11:01Z) - On Learning Parallel Pancakes with Mostly Uniform Weights [42.63152235265314]
k$-mixtures of Gaussians (k$-GMMs) on $mathbbRd$。
このような混合と標準ガウスの区別は SQ-hard であることが示される。
論文 参考訳（メタデータ） (2025-04-21T17:31:55Z) - Minimax-Optimal Multi-Agent RL in Zero-Sum Markov Games With a
Generative Model [50.38446482252857]
2人プレイのゼロサムマルコフゲームは多エージェント強化学習においておそらく最も基本的な設定である。
我々は,$$ widetildeObiggを用いて,$varepsilon$-approximate Markov NEポリシーを学習する学習アルゴリズムを開発した。
我々は、分散型量の役割を明確にするFTRLに対する洗練された後悔境界を導出する。
論文 参考訳（メタデータ） (2022-08-22T17:24:55Z) - Runtime Analysis of Restricted Tournament Selection for Bimodal
Optimisation [0.0]
本稿では,制限されたトーナメント選択(RTS)をEA(mu$+1)に埋め込んだ,厳密な実行時解析について述べる。
ウィンドウサイズ$w$が十分大きい場合、RTSが$rm T Small WOM Small AX$ で両方のオプティマを効率的に見つけることを証明します。
我々は,トーナメント・エンハンスアウトの個人を選抜するRTSの変種を考える。それはより多様なトーナメントを生み出し,一方のニッチが他方のニッチを乗っ取るのを防ぐのに効果的である。
論文 参考訳（メタデータ） (2022-01-17T15:57:22Z) - Breaking the Sample Complexity Barrier to Regret-Optimal Model-Free
Reinforcement Learning [52.76230802067506]
漸進的強化学習における後悔を最小限に抑えるために,新しいモデルフリーアルゴリズムを提案する。
提案アルゴリズムは、2つのQ-ラーニングシーケンスの助けを借りて、初期設定された参照更新ルールを用いる。
初期の分散還元法の設計原理は、他のRL設定とは独立した関心を持つかもしれない。
論文 参考訳（メタデータ） (2021-10-09T21:13:48Z) - Towards Minimax Optimal Best Arm Identification in Linear Bandits [95.22854522340938]
固定予算設定における線形包帯における最適な腕識別の問題について検討する。
G-最適設計の特性を活用し、アーム割り当て規則に組み込むことにより、パラメータフリーなアルゴリズムを設計する。
OD-LinBAIの故障確率に関する理論的解析を行った。
論文 参考訳（メタデータ） (2021-05-27T09:19:10Z) - Fine-Grained Gap-Dependent Bounds for Tabular MDPs via Adaptive
Multi-Step Bootstrap [84.66885506098724]
本稿では,アダプティブ・マルチステップ・ブートストラップ (AMB) を用いた表層有限水平マルコフ決定過程 (MDP) のモデルフリーアルゴリズムを提案する。
AMBは,部分最適ギャップの逆の和でのみスケールする,ギャップ依存的後悔境界を達成できることを示す。
また、AMB は $frac|Z_mul|Delta_min$ regret という追加の $frac|Z_mul|Delta_min$ を被っていることも示しています。
論文 参考訳（メタデータ） (2021-02-09T07:46:34Z)
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。