Fugu-MT 論文翻訳(概要): Distributed Sketching on Data Partitions for OLS Regression

論文の概要: Distributed Sketching on Data Partitions for OLS Regression

arxiv url: http://arxiv.org/abs/2607.07888v1
Date: Wed, 08 Jul 2026 19:50:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-10 14:45:27.331999
Title: Distributed Sketching on Data Partitions for OLS Regression
Title（参考訳）: OLS回帰のためのデータ分割に関する分散スケッチ
Abstract要約: 本稿では,最小二乗回帰(OLS)の分散スケッチについて検討する。分割された部分集合のスケッチは、計算コストをさらに削減するために検討する。
参考スコア（独自算出の注目度）: 5.716454975957337
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper studies distributed sketching for ordinary least squares (OLS) regression, an approach that distributes small sketches of a large data set over multiple machines to separately construct OLS estimators and average them. Unlike prior studies that consider sketching on the whole data set, we consider sketching on partitioned subsets to further reduce computational cost. Under the fixed design setting, we characterize the exact excess loss of the averaged OLS estimator. Results show that this loss is comparable to the established loss for sketching on the whole data set when the divergence among subset covariances is small.
Abstract（参考訳）: 本稿では、複数のマシンにまたがる大規模データセットの小さなスケッチを分散し、OLS推定器を別々に構築し、それらを平均化する手法である、通常最小二乗回帰(OLS)の分散スケッチについて検討する。データセット全体のスケッチを考える以前の研究とは異なり、計算コストをさらに削減するために分割されたサブセットのスケッチを検討する。固定設計条件下では, 平均OLS推定器の正確な余剰損失を特徴付ける。その結果、この損失は、サブセットの共分散のばらつきが小さい場合、データセット全体のスケッチにおいて確立された損失に匹敵することを示した。

関連論文リスト

Interpretable dimension reduction for compositional data [14.60927508571862]
高次元の合成データは、単純な制約と過剰な零点のため、ユニークな統計的問題を引き起こす。本稿では、余分な変換とゼロな計算を避けるために、合成データの解釈可能な次元削減のための新しいフレームワークを提案する。提案手法は, 3次プロットで可視化可能な高次元の単純体に直接写像することで, 演算を軟化することでアマルガメーションの概念を一般化する。
論文参考訳（メタデータ） (2025-09-06T02:16:21Z)
Distributed Least Squares in Small Space via Sketching and Bias Reduction [0.0]
マトリックススケッチは、大きなデータ行列のサイズを減らす強力なツールである。誤差よりも推定器のバイアスを最小限に抑えるスケッチ手法を設計することで,これらの制限を分散環境で回避できることを示す。特に、最適空間と現在の行列乗算時間で動作するスパーススケッチ法を提案し、2つのパスデータを用いて、ほぼ偏りのない最小二乗推定器を復元する。
論文参考訳（メタデータ） (2024-05-08T18:16:37Z)
Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文参考訳（メタデータ） (2024-02-03T19:00:19Z)
LoLep: Single-View View Synthesis with Locally-Learned Planes and Self-Attention Occlusion Inference [66.45326873274908]
本稿では,1枚のRGB画像から局所学習平面を回帰してシーンを正確に表現するLoLepを提案する。 MINEと比較して、LPIPSは4.8%-9.0%、RVは73.9%-83.5%である。
論文参考訳（メタデータ） (2023-07-23T03:38:55Z)
Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
論文参考訳（メタデータ） (2021-06-14T05:39:09Z)
Asymmetric compressive learning guarantees with applications to quantized sketches [15.814495790111323]
大規模データセットから音声イベント分類を学習するためのフレームワークを提案する。私たちは、このマップが各フェーズごとに異なることが許されるリラクゼーションを研究します。次に、このフレームワークを量子化されたスケッチの設定にインスタンス化し、LPDが実際にバイナリスケッチのコントリビューションを保持することを証明します。
論文参考訳（メタデータ） (2021-04-20T15:37:59Z)
Learning by Minimizing the Sum of Ranked Range [58.24935359348289]
本稿では,学習目標を定式化するための一般的なアプローチとして,ランキング範囲(SoRR)の和を紹介した。ランク付き範囲は、実数の集合のソートされた値の連続的なシーケンスである。我々は,SoRRフレームワークの最小化のための機械学習における2つの応用,すなわち,バイナリ分類のためのAoRR集約損失とマルチラベル/マルチクラス分類のためのTKML個人損失について検討する。
論文参考訳（メタデータ） (2020-10-05T01:58:32Z)
Evaluating representations by the complexity of learning low-loss predictors [55.94170724668857]
下流タスクの解決に使用されるデータの表現を評価することの問題点を考察する。本稿では,関心のあるタスクにおける低損失を実現する表現の上に,予測器を学習する複雑性によって表現の質を測定することを提案する。
論文参考訳（メタデータ） (2020-09-15T22:06:58Z)
Distributed Sketching Methods for Privacy Preserving Regression [54.51566432934556]
ランダム化されたスケッチを利用して、問題の次元を減らし、プライバシを保ち、非同期分散システムにおけるストラグラーレジリエンスを改善します。従来のスケッチ手法に対する新しい近似保証を導出し、分散スケッチにおけるパラメータ平均化の精度を解析する。大規模実験によるサーバレスコンピューティングプラットフォームにおける分散スケッチのパフォーマンスについて説明する。
論文参考訳（メタデータ） (2020-02-16T08:35:48Z)

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。