一种更快的次二次算法用于发现异常相关性

Oct, 2015

一种更快的次二次算法用于发现异常相关性

A faster subquadratic algorithm for finding outlier correlations

Matti Karppa, Petteri Kaski, Jukka Kohonen

TL;DR该研究介绍了用于检测强相关变量中的异常对的随机算法，并应用于学习稀疏布尔函数等问题。

Abstract

We study the problem of detecting outlier pairs of strongly correlated variables among a collection of $n$ variables with otherwise weak pairwise correlations. After normalization, this task amounts to the geometric task where we are given as input a set of $n$ vectors with unit Euclid

outlier pairs strongly correlated variables randomized algorithm boolean inputs learning sparse boolean functions

发现论文，激发创造

相关随机向量的检测

研究标准正态随机向量之间是否存在相关性的假设检验问题，提出了信息理论下界的评估方法，同时探索了多维情况下观察两个数据库 / 矩阵之间的部分相关性。

Jan, 2024

高维稳健协方差估计的快速算法

本文研究了协方差矩阵的估计问题，当仅有小部分样本被恶意更改时，我们提出了一种运行时间接近计算经验协方差且具有最佳误差保证的算法，该算法适用于高维分布，能处理高斯分布等深度分布结构及矩阵乘法指数中的病态情形。

Jun, 2019

稳健稀疏均值估计的次二次时间算法

稀疏均值估计算法在存在对抗性异常值的情况下的研究，提出了一种在次二次时间内运行的鲁棒稀疏均值估计算法，并在检测弱相关性方面取得了算法进展。

Mar, 2024

关于鲁棒线性回归的高效算法及下界