論文の概要: Homogeneous pursuit in $β$ model
- arxiv url: http://arxiv.org/abs/2611.17609v1
- Date: Fri, 13 Nov 2026 00:16:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.280047
- Title: Homogeneous pursuit in $β$ model
- Title(参考訳): $β$モデルにおける均質な追従
- Abstract要約: Homogeneous Pursuit (HP) はプリマル双対アルゴリズムによって実装された$ell_0$制約された最大推定法である。
スパースベンチマーク法に匹敵する推定精度を維持しながら,HPは計算コストの低減を実現していることを示す。
マイクロファイナンスアプリケーションは、ネットワークの優位性と参加の関係を研究するためのHP-GIC$*$の使用を示している。
- 参考スコア(独自算出の注目度): 2.2901537413043616
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data in forms of networks has been encountered in various prevalent fields at the arrival of big data era. To unveil and recover the true model with core units with numerous links, the $β$-model under sparsity constraint is proposed to meet the expectation of statisticians and engineers. Not only does this network model inherit spectacular property from the Erdős-Rényi model, but also exhibits degree heterogeneity through tuning sparsity parameter $s$. In this paper, we propose Homogeneous Pursuit (HP), an $\ell_0$-constrained maximum likelihood estimation method implemented through a primal-dual algorithm. To ease the harshness of computation, we find the surrogate function of the corresponding objective function to derive Majorization Minimization algorithm through the primal-dual process. Moreover, after meticulous evaluation, the algorithm brought about captures the property of fine convergence rate in a contraction mapping way. Under some mild conditions, the proposed generalized information criterion (GIC$^*$) for selecting the sparsity level is consistent to find the truth. Combining HP with GIC$^*$ gives the adaptive procedure HP-GIC$^*$; HP-BIC denotes the same estimation method with sparsity selected by BIC. Finally, simulation studies show that GIC$^*$ improves support recovery relative to BIC in the reported comparisons, while HP achieves lower computational cost while maintaining estimation accuracy comparable to the sparse benchmark methods. A microfinance application illustrates the use of HP-GIC$^*$ for studying the association between network prominence and participation, with improved fit in the reported village-level regressions.
- Abstract(参考訳): ネットワーク形式のデータは、ビッグデータ時代の到来時に、様々な一般的な分野に遭遇してきた。
多数のリンクを持つコアユニットで真のモデルを公開・復元するために、統計学者や技術者の期待に応えるために、空間制約下での$β$-modelを提案する。
このネットワークモデルはエルデシュ=レニーモデルから壮大な性質を継承するだけでなく、スパーシティパラメータ$s$をチューニングすることで次数不均一性を示す。
本稿では,プリミティブ・デュアルアルゴリズムを用いて実装された$\ell_0$-constrained maximum max estimation法である同次探索法(HP)を提案する。
計算の過酷さを緩和するため,主目的関数のサロゲート関数を導出し,原始双対過程を通した偏極最小化アルゴリズムを導出する。
さらに、厳密な評価の後、このアルゴリズムは縮尺写像法において微細収束率の特性を捕捉する。
いくつかの穏やかな条件下では、空間レベルを選択するための一般化情報基準(GIC$^*$)が真理を見つけるために一貫性がある。
HP と GIC$^*$ を組み合わせることで、HP-GIC$^*$ となる。
最後に、シミュレーション研究により、GIC$^*$は報告された比較において、BICに対するサポートリカバリを改善し、HPはスパースベンチマーク法に匹敵する推定精度を維持しながら、計算コストを低くすることを示した。
マイクロファイナンスアプリケーションは,ネットワークの優位性と参加の関連を研究するためにHP-GIC$^*$を使用し,報告された村レベルのレグレッションに適合することを示す。
関連論文リスト
- CollabEval: Statistically Efficient Collaborative Model Evaluation via Matrix Completion [65.53153291902454]
コラボレーティブ・アセスメント(CollabEval)は、異なるモデルの歴史的実行間の依存関係を同じタスクで活用し、統計的効率を改善するための、シンプルで効果的で原則化された方法である。
スコア行列の低ランク近似を構築し、再構成された値を用いて真の評価基準平均の偏りのない推定を保証します。
その結果,CollabEval では,平均信頼区間サイズと点推定値の平均2乗誤差を,同じアノテーション予算における基準手法と比較して大幅に削減できることがわかった。
論文 参考訳(メタデータ) (2026-07-06T13:22:04Z) - High-Probability Convergence in Decentralized Stochastic Optimization with Gradient Tracking [69.90407799170687]
分散最適化における高確率収束保証について検討する。
その結果, 地平線上の条件は, 比較時間と同一であることがわかった。
論文 参考訳(メタデータ) (2026-04-30T22:45:21Z) - A novel hybrid approach for positive-valued DAG learning [60.917028769172795]
正値データから有向非巡回グラフ(DAG)を学習するためのHybrid Moment-Ratio Scoring (H-MRS)アルゴリズムを提案する。
H-MRSは、モーメント比推定のためのログスケールリッジ回帰と、生のスケールモーメント比に基づくグレディオーダー処理を統合する。
合成対数線形データの実験は、競合精度とリコールを示す。
論文 参考訳(メタデータ) (2026-04-10T04:04:26Z) - Improved High-probability Convergence Guarantees of Decentralized SGD [74.39742894097348]
平均二乗誤差(MSE)と同じ条件下で,$mathttDSGD$がHPに収束することを示す。
改良された分析によりユーザ数が線形アップし,$mathttDSGD$がHPの意味で性能を維持していることを示す。
論文 参考訳(メタデータ) (2025-10-07T17:15:08Z) - Autonomous Sparse Mean-CVaR Portfolio Optimization [6.358973724565783]
本稿では,従来のモデルを任意の精度で近似できる,革新的な自律スパース平均CVaRポートフォリオモデルを提案する。
そこで我々は,近似交互線形化最小化アルゴリズムとネストした固定点近接アルゴリズム(どちらも収束)を併用してモデルを反復的に解く手法を提案する。
論文 参考訳(メタデータ) (2024-05-13T15:16:22Z) - Improving Sample Efficiency of Model-Free Algorithms for Zero-Sum Markov Games [66.2085181793014]
モデルフリーのステージベースQ-ラーニングアルゴリズムはモデルベースアルゴリズムと同じ$H$依存の最適性を享受できることを示す。
本アルゴリズムは,楽観的値関数と悲観的値関数のペアとして参照値関数を更新するキーとなる新しい設計を特徴とする。
論文 参考訳(メタデータ) (2023-08-17T08:34:58Z) - Adaptive Sparse Gaussian Process [0.0]
これらの問題に対処できる最初の適応スパースガウスプロセス(GP)を提案する。
まず,変分スパースGPアルゴリズムを変形係数によって適応的に再構成する。
そこで我々は,新しいサンプルが到着するたびに,スパースGPモデルの単一誘導点と残りのモデルパラメータを同時に更新することを提案する。
論文 参考訳(メタデータ) (2023-02-20T21:34:36Z) - Tractable and Near-Optimal Adversarial Algorithms for Robust Estimation
in Contaminated Gaussian Models [1.609950046042424]
ハマーの汚染されたガウスモデルの下での位置と分散行列の同時推定の問題を考える。
まず,非パラメトリック判別器を用いた生成逆数法に対応する最小$f$-divergence推定法について検討した。
ネスト最適化により実装可能な,単純なスプライン判別器を用いたトラクタブル逆数アルゴリズムを開発した。
提案手法は,$f$-divergenceと使用したペナルティに応じて,最小値の最適値またはほぼ最適値を達成する。
論文 参考訳(メタデータ) (2021-12-24T02:46:51Z) - A Model-free Learning Algorithm for Infinite-horizon Average-reward MDPs
with Near-optimal Regret [44.374427255708135]
無限水平平均逆マルコフ決定過程(MDP)のモデルフリーアルゴリズムである探索強化Q-ラーニング(EE-QL)を提案する。
EE-QLは、最適平均報酬のオンライン集中近似が利用可能であると仮定する。
これは、エルゴード的な仮定なしに$O(sqrt T)$後悔を達成する最初のモデル自由学習アルゴリズムであり、対数的因子を除いて、下位境界の$T$と一致する。
論文 参考訳(メタデータ) (2020-06-08T05:09:32Z)
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。