論文の概要: Characterizing Heterogeneous Rates in Finite Mixture Estimation via Partial Optimal Transport
- arxiv url: http://arxiv.org/abs/2609.16622v1
- Date: Tue, 15 Sep 2026 04:32:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.341708
- Title: Characterizing Heterogeneous Rates in Finite Mixture Estimation via Partial Optimal Transport
- Title（参考訳）: 部分最適輸送による有限混合推定における不均質な速度のキャラクタリゼーション
- Abstract要約: 改良された局所および大域収束保証を得るためのボロノイ系部分最適輸送(VPOT)は、混合測定の最大極大推定器である。
結果は、混合比例が真の混合成分の数についてのゼロまたは以前の知識から一様に制限されることなく、任意の固定次元で保持される。
- 参考スコア（独自算出の注目度）: 88.55403215843967
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Parameter estimation in finite mixture models can exhibit highly heterogeneous convergence behavior: locally isolated components may be estimated substantially faster than groups of competing components. Existing analyses based on Wasserstein distances typically characterize only the worst-case rate and therefore do not fully capture this local heterogeneity. In this paper, we introduce a Voronoi-based partial optimal transport (VPOT) framework for obtaining refined local and global convergence guarantees for the maximum likelihood estimator of the mixing measure. The key geometric idea is to localize the comparison of two mixing measures to extended Voronoi neighborhoods and use partial optimal transport to accommodate the unequal masses of their local restrictions. Within each neighborhood, the first-order POT discrepancy is raised to a power determined by the number of locally competing atoms, allowing the resulting loss to adapt to the local degree of singularity. Under suitable regularity and strong identifiability conditions, we establish uniform local and global upper bounds for a maximum likelihood estimator under the VPOT loss. These bounds reveal a configuration-dependent form of parameter estimation: less singular local configurations admit faster convergence, whereas the most singular configuration recovers the classical worst-case behavior characterized by Wasserstein-based analyses. We further establish a minimax lower bound showing that the convergence rate for estimating the mixing measure under the VPOT loss is optimal. Our results hold in arbitrary fixed dimension without requiring mixing proportions to be uniformly bounded away from zero or prior knowledge of the true number of mixture components. Overall, VPOT provides a configuration-adaptive framework for capturing heterogeneous parameter-estimation behavior in finite mixture models.
- Abstract（参考訳）: 有限混合モデルにおけるパラメータ推定は、非常にヘテロジニアスな収束挙動を示すことができ、局所的な孤立成分は競合する成分群よりもかなり高速に推定できる。
ワッサーシュタイン距離に基づく既存の分析は、典型的には最悪のケース率のみを特徴付けるため、この局所的な不均一性を完全には捉えない。
本稿では, 局所および大域収束保証を改良したVoronoi-based partial optimal transport (VPOT) フレームワークを導入し, 混合度を最大に推定する。
鍵となる幾何学的考え方は、拡張されたボロノイ地区に対する2つの混合測度の比較をローカライズし、局所制限の不等質量に対応するために部分最適輸送を使用することである。
各近傍では、一階のPOT差分は、局所的に競合する原子の数によって決定される力に上昇し、その結果の損失は局所的な特異点の度合いに適応する。
適切な正則性および強い識別可能性条件の下で、VPOT損失の下での最大可能性推定器の局所的および大域的上限を均一に設定する。
より特異な局所的な構成はより高速な収束を許容するが、最も特異な構成は、ワッサーシュタインに基づく解析によって特徴づけられる古典的な最悪の振る舞いを回復する。
さらに、VPOT損失下での混合度を推定するための収束速度が最適であることを示すミニマックス下界を確立した。
我々の結果は、混合比例を真の混合成分の数についてのゼロまたは以前の知識から一様に外すことなく、任意の固定次元で保持する。
全体として、VPOTは有限混合モデルにおける不均一パラメータ推定挙動をキャプチャするための構成適応フレームワークを提供する。
関連論文リスト
- Data-Driven, Geometry-Aware Optimal-Transport Calibration of Flavor Tagger [0.0]
フレーバータグ付けのキャリブレーションは、有限の作業点で測定されたスケール因子として、または選択された1次元判別値に対する双有的な補正として、しばしば提供される。
このアプローチは、現代のタグの完全なマルチコンポーネントアウトプットに対して、継続的なイベントレベルのキャリブレーションを提供するには足りません。
本稿では,フレーバー・タガーのキャリブレーションを,確率単純度に基づく最適輸送問題として定式化する幾何学的枠組みを提案する。
論文 参考訳（メタデータ） (2026-05-02T10:16:13Z) - Beyond Consistency: Inference for the Relative risk functional in Deep Nonparametric Cox Models [7.2275111013288535]
Coxをベースとした最適化誤差が、部分的可能性の下で集団リスクにどのように伝播するかは明らかでない。
また、ポイントワイドバイアスがどのように制御できるのか、またアンサンブルに基づく不確実性が現実的な分散体制の下でどのように振る舞うのかも不明である。
これらの問題に対処するディープコックス推定器の分布理論を開発する。
論文 参考訳（メタデータ） (2026-03-25T01:43:12Z) - Co-optimization for Adaptive Conformal Prediction [9.881784717196675]
中心$m(x)$と半径$h(x)$を共同最適化することにより予測間隔を学習するフレームワークを提案する。
合成および実ベンチマークの実験は、CoCPが一貫して短い間隔で生成し、最先端の条件付きカバレッジ診断を実現することを示した。
論文 参考訳（メタデータ） (2026-03-02T10:43:19Z) - Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。
我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。
重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
論文 参考訳（メタデータ） (2026-02-24T05:32:03Z) - Improving Minimax Estimation Rates for Contaminated Mixture of Multinomial Logistic Experts via Expert Heterogeneity [49.809923981964715]
凍結したエキスパートとして機能する事前訓練されたモデルを、新しいタスクを学ぶためにトレーニング可能なエキスパートとして機能するアダプタモデルに統合するトランスファー学習手法によって、汚染された専門家の混合(MoE)が動機付けられる。
本研究は, 地絡パラメータがサンプルサイズによって異なる困難な条件下で, パラメータを推定するための一様収束率を特徴付ける。
また、対応するミニマックス下限を定め、これらのレートがミニマックス最適であることを保証する。
論文 参考訳（メタデータ） (2026-01-31T23:45:50Z) - Byzantine-tolerant distributed learning of finite mixture models [16.60734923697257]
本稿では、DFMR(Distance Filtered Mixture Reduction)を提案する。
DFMR(DFMR)は、Byzantine Tolerant adaptation of Mixture Reduction (MR)であり、計算効率が良く統計的に聞こえる。
我々はDFMRの理論的正当性を示し、その最適収束率と大域的最大推定値との等価性を証明した。
論文 参考訳（メタデータ） (2024-07-19T02:11:26Z) - Targeted Separation and Convergence with Kernel Discrepancies [61.973643031360254]
カーネルベースの不一致測度は、(i)ターゲットPを他の確率測度から分離するか、(ii)Pへの弱収束を制御する必要がある。
本稿では, (i) と (ii) を保証するのに十分な,必要な新しい条件を導出する。
可分距離空間上のMDDに対して、ボヒナー埋め込み可測度を分離するカーネルを特徴づけ、すべての測度を非有界カーネルと分離するための単純な条件を導入する。
論文 参考訳（メタデータ） (2022-09-26T16:41:16Z) - Exact Recovery in the General Hypergraph Stochastic Block Model [92.28929858529679]
本稿では,d-uniform hypergraph block model(d-HSBM)の正確な回復の基本的な限界について検討する。
精度の高いしきい値が存在し、正確な回復がしきい値の上に達成でき、その下には不可能であることを示す。
論文 参考訳（メタデータ） (2021-05-11T03:39:08Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z)
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。