Mar, 2019

通过 Föllmer 过程稳定的对数 Sobolev 不等式

PDF
TL;DR研究高斯对数 Sobolev 不等式的稳定性和不稳定性，给出了协方差，Wasserstein 距离和 Fisher 信息矩阵等多种可信度的度量方式并回答了一些问题，同时提出了一种新的相对于混合高斯分布进行稳定性评估的概念并给出了相关的估计方法。
gaussian logarithmic sobolev inequalitycovariancewasserstein distancefisher informationstability
发现论文，激发创造
  • 随机定位 + 斯提尔切斯障壁 = 对 Log-Sobolev 紧致界

    证明对于任何支撑直径为 D 的 n 维吸收对称对数凹密度的对数 Sobolev 常数都是 1/D, 并基于此推导出一系列相关结论，如任何吸收对称对数凹密度上的球步行的混合时间，以及涉及中位数 / 平均值的大偏差不等式。

    Dec, 2017

  • 通过维度对数 Sobolev 不等式在概率测度中精确检测低维结构

    提出了一种通过最小化维度对数 Sobolev 不等式和 KL 散度，以识别目标与参考测度之间的近似关系的方法，该方法适用于高维概率测度的低维结构识别和有效抽样。

    Jun, 2024

  • 高维统计中超高斯性的应用：协方差估计和线性回归方面的探索

    本文提出了新型 Orlicz 偏差的概念 —— 广义 Bernstein-Orlicz 偏差，并基于更一般的指数类（即子 Weibull）尾巴假设，推导了一系列与高维统计分析有关的概率学不等式，进而应用于高维数据分析领域，包括 HD 协方差矩阵估计和 Lasso 估计器的收敛率分析等。

    Apr, 2018

  • 基于扩散的生成模型及其误差界：全收敛估计下的对数凹情况

    我们以具有未知均值的高斯分布的抽样为动机示例，通过扩散生成模型提供了在强对数凹数据分布假设下的收敛性行为的全面理论保证。我们的评估函数类使用的逼近是利普希茨连续函数，同时通过与相应的抽样估计相结合，对于与数据分布之间的 Wasserstein-2 距离等关键量感兴趣的最佳上界估计提供了显式估计。该论文还引入了基于 L2 准确评分估计假设的结果，以适用于各种随机优化器。该方法在我们的抽样算法上得到了已知的最佳收敛速度。

    Nov, 2023

  • 无界函数空间中 Wasserstein 距离下的经验测度的收敛与集中

    本文提出一种泛化近期针对有限维欧几里得空间和有界函数空间的结果的，衡量概率测度和其经验版本之间期望 Wasserstein 距离的上界方法，并将其推广到具有大维度的欧几里得空间及分离的 Hilbert 空间中的 Gaussian process。此外，结合均值集中结果，给出了 Bernstein 型或 log Sobolev 型条件下，经验测度的 Wasserstein 误差的改进指数尾部概率界。

    Apr, 2018

  • 分布鲁棒逆协方差估计：Wasserstein 收缩估计器

    提出分布鲁棒的最大似然估计模型，结合 Wasserstein 模糊集，从 n 个独立样本中推断出 $p$ 维高斯随机向量的逆协方差矩阵；当估计问题没有结构信息时，该估计问题有自然地解释为非线性缩小估计器。同时，本研究还为高斯图模型开发了一个顺序二次近似算法。

    May, 2018

  • Eldan 的随机定位和 KLS 猜想：等周性、浓度和混合

    我们通过使用鞍点常数和等熵恒量来证明了，具有远离均匀分布的概率分布的 Cheeger 常数在对数凹度量类中的限制为 $ n^{1/4}$，并使用该限制改进了 Poincaré 常数、Lipschitz 浓度常数和球行进算法的性能估计。

    Dec, 2016

  • 局部差分隐私下的费舍尔信息

    本研究提出了描述在局部差分隐私限制下，统计样本的费舍尔信息如何随隐私参数 ϵ 缩放的数据处理不等式，证明了这些不等式对于所有隐私水平 ϵ>0 的高斯位置模型和离散分布估计都具有高阶匹配的平方ℓ2 误差的隐私机制和估计器。

    May, 2020

  • 半群方法下的非线性矩阵集中

    使用半群方法推导出非线性的矩阵不等式，并证明了 Bakry-Emery 曲率条件意味着矩阵 Lipschitz 函数的半高斯浓度，从而为推导矩阵浓度不等式提供了一种新的思路。

    Jun, 2020

  • 高维概率论

    该论文主要研究概率论、高斯过程、极限定理、经验过程和 Banach 空间的相关问题，讨论了这些问题在不同的结构限制下的特征与性质。

    Dec, 2006