Low-Rank and Sparse Drift Estimation for High-Dimensional Lévy-Driven Ornstein--Uhlenbeck Processes
이 논문은 고차원 Lévy-구동 오렌슈타인-울렌벡 과정에서 저랭크 및 희소 구조를 가진 드리프트 행렬을 추정하기 위해 핵 노름과 페널티를 결합한 볼록 추정기를 제안하고, 이를 통해 차원 의존성을 개선한 비점근적 오라클 부등식을 유도합니다.
📊 Category
stat.TH
161 편의 논문
Chemical Reaction Networks Learn Better than Spiking Neural Networks
이 논문은 은닉층이 없는 화학 반응 네트워크가 은닉층이 필요한 스파이킹 신경망보다 분류 작업을 더 정확하게 효율적으로 학습할 수 있음을 수학적으로 증명하고 실험을 통해 검증함으로써, 화학적 컴퓨터의 기계 학습 가능성과 생물학적 세포의 학습 효율성을 설명합니다.
A Quantitative Characterization of Forgetting in Post-Training
이 논문은 포스트 트레이닝 중 발생하는 망각을 '질량 소실'과 '구성 요소 이동'으로 정의하고, KL 발산 방향, 기하학적 행동 중복도, 샘플링 전략 및 과거 데이터 가시성 간의 상호작용을 통해 망각을 정량화하는 이론적 틀을 제시합니다.
Normal Approximation in Large Network Models
이 논문은 네트워크 크기가 무한히 커지는 점근적 프레임워크 내에서 전략적 상호작용과 동질성을 가진 네트워크 형성 모델에 대한 중심극한정리를 증명하고, 안정화 조건과 분기 과정 이론을 활용하여 해석 가능한 기본 조건을 도출하며 실용적 추론 절차를 논의합니다.
Robust Estimation of Polychoric Correlation
이 논문은 관측된 빈도와 이론적 빈도 간의 발산을 기반으로 한 새로운 손실 함수를 최소화하여 잠재 정규성 가정 위반이나 무심한 응답자 등 모델의 부분적 오설정에 강건한 다분할 상관관계 추정량을 제안하고, 이를 시뮬레이션 및 빅 5 성격 검사 데이터를 통한 실증 분석으로 검증합니다.
On noncentral Wishart mixtures of noncentral Wisharts and their use for testing random effects in factorial design models
이 논문은 비중앙 와시아트 분포의 혼합이 동일한 자유도를 가질 때 비중앙 와시아트 분포가 된다는 사실을 증명하여 카이제곱 분포 결과를 일반화하고, 이를 다변량 정규 데이터를 갖는 요인 설계 모델에서 무작위 효과 검정을 위한 유한 표본 분포를 유도하는 데 적용함으로써 기존 연구 결과를 확장합니다.
Pseudo-likelihood-based -estimation of random graphs with dependent edges and parameter vectors of increasing dimension
이 논문은 의존성을 가진 이산 무방향 그래프 모델에 대해 점증하는 차원의 매개변수 벡터를 가진 의사가능성 기반 -추정량의 수렴 속도를 증명하여, 위상 전이와 모델 근사 퇴화 현상이 수렴 속도에 미치는 영향을 규명하고 확장된 -모델을 통해 밀집 및 희소 그래프 설정에서의 적용 가능성을 제시합니다.
Change point estimation for a stochastic heat equation
이 논문은 가중 라플라시안을 갖는 확률 편미분방정식 기반의 열 방정식에서 공간 해상도 에 따른 국소 측정을 사용하여 불연속 확산 계수의 변화점을 추정하는 동시 M-추정자를 구성하고, 변화점과 확산 계수 값의 수렴 속도 및 점근적 분포를 규명합니다.
Some facts about the optimality of the LSE in the Gaussian sequence model with convex constraint
이 논문은 볼록 제약 조건을 가진 가우시안 시퀀스 모델에서 최소제곱법 (LSE) 의 미니맥스 최적성에 대한 필요충분조건을 국소 가우시안 폭의 리프시츠 성질과 연결하여 규명하고, 다양한 집합에 대한 LSE 의 최적성 또는 비최적성 사례를 제시합니다.
Sharp Bounds for Multiple Models in Matrix Completion
본 논문은 브릴로브스카야 등이 제안한 고급 행렬 집중 부등식을 활용하여 행렬 완성 문제의 수렴 속도에서 차원 의존성을 제거하고, 세 가지 주요 추정기에 대한 최소극대 최적성을 입증합니다.
Information theoretic limits of robust sub-Gaussian mean estimation under star-shaped constraints
이 논문은 아드버셜하게 오염된 데이터와 가우시안 (또는 서브-가우시안) 노이즈 하에서 항성형 (star-shaped) 제약 조건을 가진 로버스트 평균 추정 문제에 대한 미니맥스 위험률과 알고리즘을 제시합니다.
Uniform mean estimation via generic chaining
이 논문은 타라난드의 제네릭 체이닝 메커니즘과 단일 확률변수의 최적 평균 추정 기법을 결합하여, 고차원 확률 및 통계의 핵심 문제들을 해결하는 최적의 균일 평균 추정자 를 제안하고 그 성능을 증명합니다.
Estimation of relative risk, odds ratio and their logarithms with guaranteed accuracy and controlled sample size ratio
이 논문은 두 모집단에서 독립적인 이진 관측치를 바탕으로 상대위험, 오즈비 및 그 로그에 대한 추정량을 제안하며, 2 단계 순차 샘플링 전략을 통해 모든 모수 값에 대해 목표 평균제곱오차와 표본 크기 비율을 보장하고 그룹 샘플링 적용 시에도 크라메르-라오 하한에 근접한 효율성을 달성함을 보여줍니다.
Approximations for the number of maxima and near-maxima in independent data
이 논문은 이산형 및 연속형 확률변수에서 표본의 최댓값 또는 근사 최댓값을 갖는 관측치 수를 로그, 포아송, 음이항 분포로 근사할 때의 총변동 거리 오차 상한을 유도하고, 스타인 (Stein) 방법 및 혼합 이항 분포 접근법을 통해 이를 증명하며 기하, 검프, 균일 분포를 예시로 제시합니다.
Random irregular histograms
이 논문은 데이터를 기반으로 자동으로 구간 수와 위치를 선택하는 완전 베이지안 접근법을 제시하여, 불규칙 히스토그램 구성을 위한 일관된 추정량과 최소극대 수렴 속도를 달성하는 새로운 방법을 제안합니다.
Enabling stratified sampling in high dimensions via nonlinear dimensionality reduction
이 논문은 신경망 기반의 비선형 차원 축소 기법인 신경 활성 매니폴드를 활용하여 고차원 입력 공간에서 모델 반응의 등고선을 따르는 층화 표본 추출을 가능하게 함으로써, 계산 비용이 큰 모델의 불확실성 전파 시 분산을 효과적으로 줄이는 방법을 제안합니다.
Testing Most Influential Sets
이 논문은 선형 최소제곱법을 기반으로 가장 영향력 있는 데이터 집합의 극단적 영향을 통계적으로 검정할 수 있는 엄밀한 프레임워크를 제시하여, 기존 경험적 규칙을 대체하고 경제학·생물학·머신러닝 분야에서 논쟁적이던 결과를 해결합니다.
A Bayesian approach to learning mixtures of nonparametric components
이 논문은 베이지안 비모수적 접근법을 사용하여 유한 혼합 모델의 비모수적 성분을 학습하고, 구성 요소 분포의 식별 가능성과 사후 수렴성을 증명하며, 효율적인 MCMC 알고리즘을 통해 기존 탈합성 (deconvolution) 방법보다 우수한 수렴 속도로 복잡한 잠재 하위 집단 분포를 추정하는 방법을 제시합니다.
Towards Sharp Minimax Risk Bounds for Operator Learning
이 논문은 유계 리프시츠 연산자 학습의 최소극대 위험 하한과 상한을 도출하여, 연산자의 유한한 정칙성을 가정하더라도 표본 수에 대한 대수적 수렴 속도를 보장할 수 없는 '표본 복잡도의 저주'가 존재함을 증명합니다.
Latent-IMH: Efficient Bayesian Inference for Inverse Problems with Approximate Operators
이 논문은 계산 비용이 큰 연산자를 가진 베이지안 역문제에서 오프라인 단계를 통해 효율성을 극대화하고 NUTS 와 같은 기존 방법보다 월등히 빠른 성능을 보이는 새로운 샘플링 기법인 Latent-IMH 를 제안하고 그 이론적 성능을 입증합니다.