ترجمه فارسی مقاله همگرایی لانژوین تعدیل نشده در ابعاد بالا: محلی سازی تعصب

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Convergence of Unadjusted Langevin in High Dimensions: Delocalization of Bias
عنوان مقاله به فارسی همگرایی لانژوین تعدیل نشده در ابعاد بالا: محلی سازی تعصب
نویسندگان Yifan Chen, Xiaoou Cheng, Jonathan Niles-Weed, Jonathan Weare
فرمت مقاله انگلیسی PDF
تعداد صفحات 28
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,Probability,Computation,یادگیری ماشین , یادگیری ماشین , احتمال , محاسبه ,
توضیحات Submitted 19 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 19 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

چکیده

The unadjusted Langevin algorithm is commonly used to sample probability distributions in extremely high-dimensional settings. However, existing analyses of the algorithm for strongly log-concave distributions suggest that, as the dimension $d$ of the problem increases, the number of iterations required to ensure convergence within a desired error in the $W_2$ metric scales in proportion to $d$ or $\sqrt{d}$. In this paper, we argue that, despite this poor scaling of the $W_2$ error for the full set of variables, the behavior for a small number of variables can be significantly better: a number of iterations proportional to $K$, up to logarithmic terms in $d$, often suffices for the algorithm to converge to within a desired $W_2$ error for all $K$-marginals. We refer to this effect as delocalization of bias. We show that the delocalization effect does not hold universally and prove its validity for Gaussian distributions and strongly log-concave distributions with certain sparse interactions. Our analysis relies on a novel $W_{2,\ell^\infty}$ metric to measure convergence. A key technical challenge we address is the lack of a one-step contraction property in this metric. Finally, we use asymptotic arguments to explore potential generalizations of the delocalization effect beyond the Gaussian and sparse interactions setting.

چکیده به فارسی (ترجمه ماشینی)

الگوریتم غیر قابل تنظیم لانژوین معمولاً برای نمونه برداری از توزیع احتمال در تنظیمات بسیار با ابعاد بسیار بالا استفاده می شود.با این حال ، تجزیه و تحلیل های موجود در مورد الگوریتم برای توزیع شدید ورود به سیستم نشان می دهد ، با افزایش ابعاد D $ مشکل ، تعداد تکرارهای لازم برای اطمینان از همگرایی در یک خطای مورد نظر در مقیاس متریک $ W_2 به نسبت $ $d $ یا $ \ sqrt {d} $.در این مقاله ، ما استدلال می کنیم که ، با وجود این مقیاس ضعیف خطای w_2 $ $ برای مجموعه کامل متغیرها ، رفتار برای تعداد کمی از متغیرها می تواند به طور قابل توجهی بهتر باشد: تعدادی از تکرارها متناسب با k $ $ ، تااصطلاحات لگاریتمی در $ D $ ، اغلب برای الگوریتم کافی است که در یک خطای $ W_2 $ مورد نظر برای همه $ $ $-marginal همگرا شود.ما از این اثر به عنوان دلخوری تعصب یاد می کنیم.ما نشان می دهیم که اثر جابجایی جهانی ندارد و اعتبار آن را برای توزیع گاوسی و توزیع به شدت ورود به سیستم با تعامل پراکنده خاص اثبات می کند.تجزیه و تحلیل ما به یک رمان $ w_ {2 ، \ ell^\ infty} $ متریک برای اندازه گیری همگرایی متکی است.یک چالش فنی کلیدی که ما به آن می پردازیم ، عدم وجود خاصیت انقباض یک مرحله ای در این متریک است.سرانجام ، ما از استدلال های بدون علامت برای کشف کلیات احتمالی اثر جابجایی فراتر از تنظیمات تعامل گاوسی و پراکنده استفاده می کنیم.

📚 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.