論文の概要: Learning Mixtures of Exponential Family
- arxiv url: http://arxiv.org/abs/2611.15698v1
- Date: Wed, 11 Nov 2026 16:37:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.197079
- Title: Learning Mixtures of Exponential Family
- Title(参考訳): 特定家族の混合学習
- Abstract要約: 本研究では,2つの有界支持指数族分布と共有相互作用パラメータ行列の混合を学習する問題を考察する。
条件付き個体群損失は,各試料に付随する相互作用行列と線形パラメータを一意に識別することを示した。
- 参考スコア(独自算出の注目度): 16.891577876423753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motivated by causal inference and physical computing systems, we consider the problem of learning mixture of two bounded-support exponential-family distributions with a shared interaction parameter matrix and mixture component-specific linear parameter vectors. The unknown sequence of component labels belongs to a known structured class. We propose an estimator based on a convex loss that avoids the log-partition function; for each fixed label assignment, estimation is a convex optimization problem. We show that the conditional population loss uniquely identifies the interaction matrix and the linear parameter attached to each sample. For a global empirical minimizer, we establish finite-sample bounds on the interaction error in Frobenius norm and the average squared linear-parameter error. The bounds depend on the logarithm of the number of admissible label assignments, and, for fixed dimension and model bounds, imply consistency when this complexity grows sublinearly with sample size. Additional occupancy and separation conditions yield component and label recovery.
- Abstract(参考訳): 因果推論と物理計算システムによって動機づけられた2つの有界支持指数族分布と共有相互作用パラメータ行列と混合成分特異線形パラメータベクトルとの混合を学習する問題を考察する。
コンポーネントラベルの未知のシーケンスは、既知の構造化クラスに属します。
本稿では,対数分割関数を回避する凸損失に基づく推定器を提案する。
条件付き個体群損失は,各試料に付随する相互作用行列と線形パラメータを一意に識別することを示した。
大域的な経験的最小化のために、フロベニウスノルムの相互作用誤差と平均2乗線形パラメータ誤差に基づいて有限サンプル境界を確立する。
境界は許容ラベルの割り当て数の対数に依存し、固定次元とモデル境界については、この複雑さがサンプルサイズと直交的に増加するときの一貫性を暗示する。
追加の占有と分離条件は、成分とラベルの回復をもたらす。
関連論文リスト
- Nonparametric Maximum Likelihood Estimation for Mixtures of Logistic Regressions [6.302895007017465]
我々は,非パラメトリック最大値推定器 (NPMLE) を解析し, 得られた混合回帰関数の推定誤差に対する非漸近的境界を, ランダムな設計とランダムな設計の両方で導出する。
以上の結果から, 統計的推定誤差と, 偏差による近似誤差との間には, 明らかなトレードオフがあることが判明した。
本研究では, 有限支持混合分布の位置と重みを最適化し, シーブNPMLEを近似した有限粒子アルゴリズムを提案する。
論文 参考訳(メタデータ) (2026-11-10T18:15:33Z) - Generalized nonparametric regression in reproducing kernel Hilbert spaces: Consistency and rates of convergence [0.0]
我々は再生空間におけるM-levの包括的理論を開発する。
ソボ空間に対しては、混合滑らか性関数を持つ滑らか性空間に接続する新たなレートを得る。
論文 参考訳(メタデータ) (2026-06-22T08:12:31Z) - Benign Overfitting and the Geometry of the Ridge Regression Solution in Binary Classification [75.01389991485098]
リッジ回帰はクラスタ平均ベクトルのスケールによって定性的に異なる挙動を示す。
スケールが非常に大きいレジームでは、良心過剰を許容する条件は回帰タスクと同一であることが判明した。
論文 参考訳(メタデータ) (2025-03-11T01:45:42Z) - Intrinsic Bayesian Cramér-Rao Bound with an Application to Covariance Matrix Estimation [49.67011673289242]
本稿では, 推定パラメータが滑らかな多様体内にある推定問題に対して, 新たな性能境界を提案する。
これはパラメータ多様体の幾何学と推定誤差測度の本質的な概念を誘導する。
論文 参考訳(メタデータ) (2023-11-08T15:17:13Z) - On counterfactual inference with unobserved confounding [36.18241676876348]
独立だが不均一な単位を持つ観測的研究を前提として、各単位の反実分布を学習することが目的である。
我々は、すべての$n$サンプルをプールして、すべての$n$パラメータベクトルを共同で学習する凸目的を導入する。
対数的ソボレフ不等式を満たすためにコンパクトに支持された分布に対して十分な条件を導出する。
論文 参考訳(メタデータ) (2022-11-14T04:14:37Z) - Rank-one matrix estimation with groupwise heteroskedasticity [5.202966939338455]
本研究では,異なるノイズレベル下で行列の異なるブロックが観測されるガウス観測からランク1行列を推定する問題について検討する。
行列と潜伏変数の両方を推定する際、最小平均二乗誤差の正確な公式を証明した。
我々は、近似メッセージパッシングアルゴリズムと勾配降下アルゴリズムを導出し、これらのアルゴリズムが特定の状況における情報理論的限界を達成することを実証的に示す。
論文 参考訳(メタデータ) (2021-06-22T17:48:36Z) - Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。
本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
論文 参考訳(メタデータ) (2020-12-09T20:19:32Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳(メタデータ) (2020-04-17T12:47:04Z) - Semiparametric Nonlinear Bipartite Graph Representation Learning with
Provable Guarantees [106.91654068632882]
半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。
提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。
我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
論文 参考訳(メタデータ) (2020-03-02T16:40:36Z)
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。