論文の概要: Poisson-Corrector Complexity Bounds for Moreau--Yosida Unadjusted Langevin Sampling

• arxiv url: http://arxiv.org/abs/2609.12594v1
• Date: Fri, 11 Sep 2026 08:47:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.688922
• Title: Poisson-Corrector Complexity Bounds for Moreau--Yosida Unadjusted Langevin Sampling
• Title（参考訳）: Poisson-Corrector Complexity bounds for Moreau--Yosida Unadjusted Langevin Smpling
• Abstract要約: 古典的モロー-ヨシダ非調整ランゲヴィンアルゴリズム(MYULA)を$(,mathrmd x)propto e-f(x)-g(x),mathrmd x$, where $fin C2(mathbbRd)$ is $m$-strongly convex with $L_f$-Lipschitz gradient and $g:mathbbRdtomathbbR$ is convex and global $G$-Lipschitz.
• 参考スコア（独自算出の注目度）: 9.454986540713655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the classical Moreau--Yosida unadjusted Langevin algorithm (MYULA) for $π(\,\mathrm{d} x)\propto e^{-f(x)-g(x)}\,\mathrm{d} x$, where $f\in C^2(\mathbb{R}^d)$ is $m$-strongly convex with $L_f$-Lipschitz gradient and $g:\mathbb{R}^d\to\mathbb{R}$ is convex and globally $G$-Lipschitz. For the Moreau-smoothed target $π_λ$ and the MYULA invariant law $\widehatπ_{λ,h}$, we prove \[ \sqrt m\,W_2(π_λ,\widehatπ_{λ,h}) =O(h)+\widetilde O(h^{3/4}) \] under $0<h(L_f+λ^{-1})\le c$, with only logarithmic dependence on $λ^{-1}$ in the error coefficients. Combining this estimate with the Moreau approximation bias yields $\widetilde O(\varepsilon^{-4/3})$ iterations to achieve $\sqrt m\,W_2(μ_N,π)\le\varepsilon$, for fixed model parameters and initialization. The proof combines a discrete Poisson corrector with active-trace estimates and a shared-noise bound for the exact--Euler two-point curvature.
• Abstract（参考訳）: 古典的モロー-ヨシダ非調整ランゲヴィンアルゴリズム(MYULA)を$π(\,\mathrm{d} x)\propto e^{-f(x)-g(x)}\,\mathrm{d} x$, $f\in C^2(\mathbb{R}^d)$ is $m$-strongly convex with $L_f$-Lipschitz gradient and $g:\mathbb{R}^d\to\mathbb{R}$ is convex and global $G$-Lipschitz。 Moreau-smoothed target $π_λ$ および MYULA invariant law $\widehatπ_{λ,h}$ に対して、sqrt m\,W_2(π_λ,\widehatπ_{λ,h}) =O(h)+\widetilde O(h^{3/4}) \] を、0<h(L_f+λ^{-1})\le c$ の下で証明する。 この推定とモロー近似バイアスを組み合わせることで、固定モデルパラメータと初期化に対して$\sqrt m\,W_2(μ_N,π)\le\varepsilon$を達成するために$\widetilde O(\varepsilon^{-4/3})$イテレーションが得られる。 この証明は、離散ポアソン補正器とアクティブトレース推定と、正確なユーラー2点曲率に対して有界な共有ノイズを組み合わせたものである。

関連論文リスト

• Smoothed Picard Hamiltonian Monte Carlo [15.748402989364804]
  我々は、ガウス的滑らか化、ピカール反復、高次離散化を組み合わせた、Emphsmoothed Picard Hamiltonian Monte Carloと呼ばれる新しい低精度サンプリング器を開発した。 これにより、共振器で導入された近位弾力性粒子サンプリング器が温かいスタートとなり、高精度な対数凹型サンプリング器が複雑になる。
  論文  参考訳（メタデータ） (2026-09-07T01:13:28Z)
• Active-Trace Complexity Bounds for Moreau--Yosida Unadjusted Langevin Sampling [9.454986540713655]
  非滑らかな合成対象 [()propto expf(x)-g(x),dx, qquad xinmathbb Rd, ] に対するMoreau-Yosida unoperator Langevinアルゴリズム(MYULA)について検討する。 この結果から,MYULA更新開始時の熱サブステップに沿った平均 (a_) である基準活性トレース (B_mathrmref) により,先行MYULA離散化誤差が制御されることが判明した。
  論文  参考訳（メタデータ） (2026-08-13T16:47:41Z)
• A proximal gradient algorithm for composite log-concave sampling [9.11122093402205]
  我々は、$mathbbRd$、すなわち$propto e-f-g$という形の密度の合成対数分布からサンプリングするアルゴリズムを提案する。 さらに、(1)$が非log-concaveであるが、 Poincaré あるいは log-Sobolev の不等式を満たす場合、(2)$f$ が非smooth であるが Lipschitz である場合にも結果を拡張します。
  論文  参考訳（メタデータ） (2026-05-12T17:48:09Z)
• Optimal Scalar Quantization for Matrix Multiplication: Closed-Form Density and Phase Transition [50.36362492608702]
  乗算前の2つの行列のエントリーワイズスカラー量子化について検討した。 我々は、閉形式の最適点密度 [ star(u) propto exp!left(-fracu26right)bigl( (1-2)+2u22bigr), qquad u=fracx_X を求め、相関駆動相転移を証明した。
  論文  参考訳（メタデータ） (2026-03-20T01:53:44Z)
• Near-Optimal Convergence of Accelerated Gradient Methods under Generalized and $(L_0, L_1)$-Smoothness [57.93371273485736]
  我々は、最近提案された$ell$-smoothness条件$|nabla2f(x)|| le ellleft(||nabla f(x)||right),$$$L$-smoothnessと$(L_0,L_1)$-smoothnessを一般化する関数を持つ凸最適化問題の一階法について検討する。
  論文  参考訳（メタデータ） (2025-08-09T08:28:06Z)
• Sharp Gap-Dependent Variance-Aware Regret Bounds for Tabular MDPs [54.28273395444243]
  我々は,モノトニック値 Omega (MVP) アルゴリズムが,差分を考慮した差分依存残差境界を$tildeOleft(left(sum_Delta_h(s,a)>0 fracH2 log K land MathttVar_maxtextc$。
  論文  参考訳（メタデータ） (2025-06-06T20:33:57Z)
• On the $O(\frac{\sqrt{d}}{K^{1/4}})$ Convergence Rate of AdamW Measured by $\ell_1$ Norm [52.95596504632859]
  本稿では、$ell_1$ノルムで測定されたAdamWに対して、収束速度 $frac1Ksum_k=1KEleft[||nabla f(xk)||_1right]leq O(fracsqrtdCK1/4)$を確立する。 結果は、二重モーメント機構を用いたAdamW変種であるNAdamWに拡張し、同じ収束率を維持していることを示す。
  論文  参考訳（メタデータ） (2025-05-17T05:02:52Z)
• Iterative thresholding for non-linear learning in the strong $\varepsilon$-contamination model [3.309767076331365]
  閾値降下を用いた単一ニューロンモデル学習のための近似境界を導出する。 線形回帰問題も研究し、$sigma(mathbfx) = mathbfx$ となる。
  論文  参考訳（メタデータ） (2024-09-05T16:59:56Z)
• A Unified Framework for Uniform Signal Recovery in Nonlinear Generative Compressed Sensing [68.80803866919123]
  非線形測定では、ほとんどの先行結果は一様ではない、すなわち、すべての$mathbfx*$に対してではなく、固定された$mathbfx*$に対して高い確率で保持される。 本フレームワークはGCSに1ビット/一様量子化観測と単一インデックスモデルを標準例として適用する。 また、指標集合が計量エントロピーが低い製品プロセスに対して、より厳密な境界を生み出す濃度不等式も開発する。
  論文  参考訳（メタデータ） (2023-09-25T17:54:19Z)
• Penalized Overdamped and Underdamped Langevin Monte Carlo Algorithms for Constrained Sampling [17.832449046193933]
  目的が目標分布である$pi(x)prop ef(x)$から$x$が制約されたときにサンプリングする制約付きサンプリング問題を考える。 ペナルティ法によって動機付けられた制約付き問題を,制約違反に対するペナルティ関数を導入することにより,非制約サンプリング問題に変換する。 PSGLD と PSGULMC の場合、$tildemathcalO(d/varepsilon18)$ が強凸で滑らかであるとき、$tildemathcalO(d/varepsilon) を得る。
  論文  参考訳（メタデータ） (2022-11-29T18:43:22Z)
• Learning a Single Neuron with Adversarial Label Noise via Gradient Descent [50.659479930171585]
  モノトン活性化に対する $mathbfxmapstosigma(mathbfwcdotmathbfx)$ の関数について検討する。 学習者の目標は仮説ベクトル $mathbfw$ that $F(mathbbw)=C, epsilon$ を高い確率で出力することである。
  論文  参考訳（メタデータ） (2022-06-17T17:55:43Z)
• Low-degree learning and the metric entropy of polynomials [44.99833362998488]
  少なくとも$Omega(sqrtvarepsilon)2dlog n leq log mathsfM(mathscrF_n,d,|cdot|_L,varepsilon)は2辺の推定値$c(1-varepsilon)2dlogを満たす。
  論文  参考訳（メタデータ） (2022-03-17T23:52:08Z)
• Private Convex Optimization via Exponential Mechanism [16.867534746193833]
  我々は、$ellcave2$ regularizerを$F(x)$に追加することで指数的なメカニズムを変更することで、既知の最適経験的リスクと人口損失の両方を$(epsilon,delta)$-DPで回復することを示した。 また、DP-SCOに対して$widetildeO(n min(d, n))クエリを使って$f_i(x)にこのメカニズムを実装する方法を示す。
  論文  参考訳（メタデータ） (2022-03-01T06:51:03Z)
• Optimal Mean Estimation without a Variance [103.26777953032537]
  本研究では,データ生成分布の分散が存在しない環境での重み付き平均推定問題について検討する。 最小の信頼区間を$n,d,delta$の関数として得る推定器を設計する。
  論文  参考訳（メタデータ） (2020-11-24T22:39:21Z)

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。