MAPress
مقاله کران پایین تر SQ برای تجزیه و تحلیل مؤلفه های غیر گاوسی با مفروضات ضعیف تر

مقاله کران پایین تر SQ برای تجزیه و تحلیل مؤلفه های غیر گاوسی با مفروضات ضعیف تر

تگ‌ها: Data Structures and Algorithms Machine Learning Statistics Theory تئوری آمار ساختار داده ها و الگوریتم ها یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی SQ Lower Bounds for Non-Gaussian Component Analysis with Weaker Assumptions
عنوان مقاله به فارسی مقاله کران پایین تر SQ برای تجزیه و تحلیل مؤلفه های غیر گاوسی با مفروضات ضعیف تر
نویسندگان Ilias Diakonikolas, Daniel Kane, Lisheng Ren, Yuxin Sun
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 36
دسته بندی موضوعات Machine Learning,Data Structures and Algorithms,Statistics Theory,Machine Learning,یادگیری ماشین , ساختار داده ها و الگوریتم ها , تئوری آمار , یادگیری ماشین ,
توضیحات Submitted 7 March, 2024; originally announced March 2024. , Comments: Conference version published in NeurIPS 2023
توضیحات به فارسی ارسال 7 مارس 2024 ؛در ابتدا مارس 2024 اعلام شد ، نظرات: نسخه کنفرانس منتشر شده در Neurips 2023

چکیده

We study the complexity of Non-Gaussian Component Analysis (NGCA) in the Statistical Query (SQ) model. Prior work developed a general methodology to prove SQ lower bounds for this task that have been applicable to a wide range of contexts. In particular, it was known that for any univariate distribution $A$ satisfying certain conditions, distinguishing between a standard multivariate Gaussian and a distribution that behaves like $A$ in a random hidden direction and like a standard Gaussian in the orthogonal complement, is SQ-hard. The required conditions were that (1) $A$ matches many low-order moments with the standard univariate Gaussian, and (2) the chi-squared norm of $A$ with respect to the standard Gaussian is finite. While the moment-matching condition is necessary for hardness, the chi-squared condition was only required for technical reasons. In this work, we establish that the latter condition is indeed not necessary. In particular, we prove near-optimal SQ lower bounds for NGCA under the moment-matching condition only. Our result naturally generalizes to the setting of a hidden subspace. Leveraging our general SQ lower bound, we obtain near-optimal SQ lower bounds for a range of concrete estimation tasks where existing techniques provide sub-optimal or even vacuous guarantees.

چکیده به فارسی (ترجمه ماشینی)

ما پیچیدگی تجزیه و تحلیل مؤلفه های غیر گاوسی (NGCA) در مدل پرس و جو آماری (SQ) را بررسی می کنیم.کار قبلی یک روش کلی برای اثبات مرزهای پایین تر SQ برای این کار ایجاد کرده است که برای طیف گسترده ای از زمینه ها قابل اجرا بوده است.به طور خاص ، مشخص شد که برای هر توزیع یک متغیره $ $ یک شرایط خاص را برآورده می کند ، بین یک گاوسی چند متغیره استاندارد و توزیع مانند $ $ در یک جهت پنهان تصادفی و مانند یک گاوسی استاندارد در مکمل متعامد ، SQ است.-سخت.شرایط لازم این بود که (1) $ $ بسیاری از لحظات کم نظیر با گاوسی استاندارد یک متغیر را مطابقت دهد ، و (2) هنجار مجذور کای $ A با توجه به استاندارد گاوسی محدود است.در حالی که شرایط تطبیق لحظه ای برای سختی لازم است ، شرایط کای مربع فقط به دلایل فنی مورد نیاز بود.در این کار ، ما ثابت می کنیم که شرایط دوم در واقع لازم نیست.به طور خاص ، ما مرزهای پایین تر SQ تقریباً به حد مطلوب را برای NGCA فقط در شرایط تطبیق لحظه ای اثبات می کنیم.نتیجه ما به طور طبیعی به تنظیم یک فضای زیر مجموعه پنهان تعمیم می یابد.با استفاده از محدودیت پایین SQ عمومی ما ، ما مرزهای پایین تر SQ را برای طیف وسیعی از کارهای تخمین بتن بدست می آوریم که در آن تکنیک های موجود ضمانت های زیر بهینه یا حتی خالی را ارائه می دهند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.