論文の概要: Nyström Kernel Stein Discrepancy Tests
- arxiv url: http://arxiv.org/abs/2605.25173v1
- Date: Sun, 24 May 2026 17:10:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.939544
- Title: Nyström Kernel Stein Discrepancy Tests
- Title（参考訳）: Nyström Kernel Steindisrepancy tests
- Abstract要約: 我々は,Nystrm加速法が2次時間法と同等に統計的に動作し,実行時間を大幅に小さくすることを示した。
数値計算の結果,Nystrm-accelerated法は2次時間法と同等に統計的に動作し,実行時間もかなり小さいことがわかった。
- 参考スコア（独自算出の注目度）: 7.456820555256198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Kernel Stein discrepancy (KSD) is among the most popular goodness-of-fit (GoF) measures on general domains with a large number of successful deployments. One of the main applications of KSD is in constructing powerful GoF tests. However, tests relying on the classical U-/V-statistic-based KSD estimators have two major drawbacks. (i) Their runtime scales quadratically in the number of samples. (ii) Their asymptotic null distribution is computationally intractable in most cases, typically handled by bootstrapping. While it is known that the Nyström method permits accelerating KSD estimation with no loss of statistical accuracy under mild conditions, to the best of our knowledge, the fundamental question of its impact on bootstrap-based GoF testing is open; resolving this question is the focus of the current paper. In particular, we prove that the key properties of the quadratic-time bootstrapped KSD-based GoF test (asymptotic level and local consistency) are preserved by its Nyström acceleration. We numerically demonstrate the efficiency of the accelerated KSD estimator and bootstrap in the context of GoF testing of spherical and functional data. Our numerical results show that the Nyström-accelerated method performs statistically on-par with the quadratic-time approach, while requiring substantially smaller runtime.
- Abstract（参考訳）: Kernel Steindisrepancy (KSD) は、多数のデプロイメントが成功している一般的なドメインにおいて、最も一般的なGoF(GoF)尺度の1つである。
KSDの主な応用の1つは強力なGoFテストの構築である。
しかし、古典的なU-/V統計ベースのKSD推定器に依存するテストには2つの大きな欠点がある。
i) ランタイムは、サンプルの数で2倍にスケールします。
(ii) それらの漸近的なヌル分布は、ほとんどの場合計算的に難解であり、通常はブートストラップによって処理される。
Nyström法によるKSD推定の高速化は軽度条件下での統計的精度の低下を伴わずに可能であることが知られているが、私たちの知る限り、ブートストラップに基づくGoFテストに対するその影響に関する根本的な疑問が開かれており、この問題の解決が現在の論文の焦点となっている。
特に、二次時間ブートストラップ付きKSDベースのGoFテスト(漸近レベルと局所一貫性)の鍵特性は、Nyström加速度によって保存されることを示す。
球面および関数データのGoFテストにおいて,加速KSD推定器とブートストラップの効率を数値的に示す。
数値計算の結果,Nyström-accelerated法は2次時間法と同等に統計的に動作し,実行時間もかなり小さいことがわかった。
関連論文リスト
- From Signals to Transfer: A Factorised Study of Probe-Based Uncertainty Estimation in Large Language Models [51.470637128942336]
本稿では, 一致する条件下でのプローブベース不確実性推定(UE)について, 因子分析を行った。
この結果から,隠れ状態や注目特徴がドメイン内よりも優れていることが示唆された。
我々は、オープンエンドの事実生成に対して合理的に伝達するベンチマークベースの事前訓練プローブを訓練する。
論文 参考訳（メタデータ） (2026-06-26T03:23:15Z) - Semiparametric KSD test: unifying score and distance-based approaches for goodness-of-fit testing [0.0]
評価値に基づくGoF(Goodness-of-fit)テストは,関数クラスによってインデックスされた積分確率指標(IPM)に基づくテストと等価であることを示す。
我々は、Steinの関数クラスによって誘導される特別なIMMクラスを通して、新しい非パラメトリックスコアベースのGoFテストを提案する。
提案手法は,Anderson-Darling や Lilliefors といったタスク固有の正規性テストに匹敵する能力を実現する。
論文 参考訳（メタデータ） (2025-12-23T03:05:26Z) - Nyström Kernel Stein Discrepancy [4.551160285910023]
我々は Nystr を用いた KSD アクセラレーションを提案し,ランタイム $mathcal Oleft(mn+m3right)$ for $n$ サンプルと $mll n$ Nystr"om ポイントについて述べる。
また、二次時間KSD推定器の$sqrt n$-consistencyを示す。
論文 参考訳（メタデータ） (2024-06-12T16:50:12Z) - Minimax Optimal Goodness-of-Fit Testing with Kernel Stein Discrepancy [13.429541377715298]
我々は、カーネル化されたStein discrepancy (KSD) を用いた一般領域における適合性試験の極小最適性について検討する。
KSDは適合性テストのための強力なフレームワークであるが、その統計的最適性はほとんど探索されていない。
未知のパラメータに適応することで、対数係数まで最小限の最適性を達成できる適応テストを導入する。
論文 参考訳（メタデータ） (2024-04-12T07:06:12Z) - A Specialized Semismooth Newton Method for Kernel-Based Optimal
Transport [92.96250725599958]
カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。
SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
論文 参考訳（メタデータ） (2023-10-21T18:48:45Z) - On the Theories Behind Hard Negative Sampling for Recommendation [51.64626293229085]
ハードネガティブサンプリング(HNS)を効果的に活用するための2つの洞察に富んだガイドラインを提供する。
パーソナライズされたランク付け(BPR)学習者におけるHNSの利用は、一方通行部分AUC(OPAUC)の最適化と等価であることを示す。
これらの分析は、初めてトップKレコメンデーションパフォーマンスを最適化するHNSの理論的基盤を確立する。
論文 参考訳（メタデータ） (2023-02-07T13:57:03Z) - Controlling Moments with Kernel Stein Discrepancies [74.82363458321939]
Kernel Steindisrepancies (KSD) は分布近似の品質を測定する。
まず、弱収束制御に使用される標準KSDがモーメント収束制御に失敗することを示す。
次に、代替拡散KSDがモーメントと弱収束の両方を制御できる十分な条件を提供する。
論文 参考訳（メタデータ） (2022-11-10T08:24:52Z) - A Fourier representation of kernel Stein discrepancy with application to
Goodness-of-Fit tests for measures on infinite dimensional Hilbert spaces [6.437931786032493]
Kernel Stein discrepancy (KSD) は、確率測度間の差異のカーネルベースの尺度である。
我々は、分離可能なヒルベルト空間に横たわるデータの一般性において、KSDを初めて解析する。
これにより、KSDが測定を分離できることを証明できるので、実際は有効である。
論文 参考訳（メタデータ） (2022-06-09T15:04:18Z) - 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) - Critical Parameters for Scalable Distributed Learning with Large Batches
and Asynchronous Updates [67.19481956584465]
飽和を伴う分散トレーニング(SGD)の効率は、バッチサイズと、実装における停滞に決定的に依存することが実験的に観察されている。
結果がタイトであることを示し、数値実験で重要な結果を示しています。
論文 参考訳（メタデータ） (2021-03-03T12:08:23Z)
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。