谱方法用于图浓度估计的收敛速率
本文提出了一种非参数分析网络的框架,基于一种自然的极限对象 —— 图源。我们证明了在一般条件下,图源估计的一致性,包括稀疏网络等重要的实际情况。我们使用档案似然方法,并将我们的结果与逼近理论、非参数函数估计和图限理论联系起来。
Sep, 2013
本文研究了一种估计潜在变量下矩阵条件期望的方法 —— 使用图函数。通过对分段常数和 H"older 连续图函数的研究,提出最小二乘估计量和指数加权聚合的有限样本风险界。另提出使用 Lloyd 的交替最小化算法来近似该估计量。在合成数据集上进行的数值实验表明了该图函数估计器的良好性能。
Apr, 2023
首次开发纯节点差分隐私算法,用于学习随机块模型和多项式时间估计图论,其统计效能保证与先前最佳的信息理论(指数时间)节点私有机制相匹配。该算法基于一个指数机制,用于基于二次优化的得分函数,其水平取决于区块数。我们结果的关键要素是:(1)在可双重随机矩阵的多面体上进行的一个二次优化问题,描述了区块图模式之间的距离;(2)多项式优化在任意多面体上的通用二次收敛结果;(3)对得分函数进行利普希茨扩展的通用方法,作为二次优化算法范例的一部分。
Mar, 2024
本文介绍了一种名为普遍奇异值阈值(USVT)的估计程序,可用于任何具有 “少量结构” 的矩阵进行矩阵估计,并成功应用在低秩矩阵估计、距离矩阵补全、图形估计等问题中,取得了最小化误差率。
Dec, 2012
使用谱嵌入来估计随机块模型图中的块概率矩阵 B,在平均度数以 n 的 Ω(√n) 的速率增长时,我们建立了渐进正常性结果;当 B 是全秩的时,从谱嵌入得到的 B 的估计是渐近有效的;当 B 是奇异的时,从谱嵌入得到的估计可以比在没有排名假设的情况下最大化对数似然获得的估计具有更小的均方误差,并且可以几乎像假定已知 rk (B) 的真实 MLE 一样有效。
Oct, 2017
本文研究了如何估计稀疏协方差矩阵,建立了在矩阵算子范数和 Bregman 散度损失下的最优收敛率,主要关注建立速率锐利的极小值下限,使用新工具解决此问题。我们首先开发了一种下边界技术,特别适用于处理估计稀疏协方差矩阵等 “双向” 问题。我们随后使用这种下边界技术,建立在谱范数下估计稀疏协方差矩阵的速率锐利的极小值下限。
Feb, 2013
本文提出一种针对噪声干扰下低秩数据矩阵恢复的无偏风险估计方法,特别是针对奇异值阈值软阈值规则(SVT)进行了风险估计,为一系列问题中的正则化参数选择提供了有机而自动化的方法,该方法可用于真实临床心脏 MRI 系列数据的 SVT 降噪,同时提出了某些矩阵值函数的可微性新结果。
Oct, 2012
该论文提出了一种计算高效的方法,基于随机分块模型(SBA)对图形进行建模,对观察到的网络数据进行了一致的估计图谱,估计误差随着图形大小的增加而消失.
Nov, 2013
利用一种随机算法和核稀疏化的方法,该研究提出了一种新的图谱估计方法,可在线性时间和多项式查询复杂度下,准确估计归一化邻接矩阵的谱密度。这一方法在复杂度和准确性方面均具有优势,且创造性地解决了图的稀疏化和添加谱稀疏化的相关问题。
Jun, 2024