随机矩阵理论改进的对称正定矩阵的弗雷歇均值
通过使用 Procrustes 的大小和形状空间,分析扩散张量成像数据进行的统计协方差矩阵数据分析方法比较,提出一种新的名为 Procrustes Anisotropy 的分数各向异性测量方法。
Oct, 2009
本文介绍了一个派生于黎曼商几何的指标和均值,用于一组固定秩的半正定矩阵。从积极锥的缩紧几何和相关流畅自然度量,提出了所提出的指标。所得到的黎曼空间具有强的几何特性:它是测地线完成的,并且度量在保持角度的所有变换(正交变换、比例变换和伪逆变换)下是不变的。提出了与所关联的黎曼距离的有意义的近似,可以通过基于 SVD 的简单算法有效地数值计算。其中的几何平均保留着秩,具有最理想的几何平均特性并易于计算。
Jul, 2008
本文介绍如何在任意的 Riemann 流形中微分 Fréchet 平均值,并提出了一种快速,准确且无超参数的求解器,将 Fréchet 平均值完全集成到双曲神经网络中,并展示了两个案例:一个是将 Fréchet 平均值用于 Hyperbolic Graph Convolutional Network,另一个是开发一种双曲批量归一化方法。
Feb, 2020
本文提出了一种基于协方差矩阵的图形表示方法,并定义了相似度测量方法,可用于社交网络的分类,同时该方法的计算效率高,可用于大规模实践,并对截断幂次迭代的研究提供了理论和实证支持。
Apr, 2014
本研究针对出现在深度神经网络分析中的随机矩阵乘积奇异值分布进行了研究,其中,数据矩阵的总体协方差矩阵是随机的,基于随机矩阵理论和标准技术,分析了数据矩阵的非高斯分布并阐述其在分析宏观普适性方面的潜在应用。
Jan, 2020
该论文回顾了最近利用随机矩阵理论(RMT)工具估计大协方差矩阵的结果,介绍了几种 RMT 方法和分析技术,如复制品形式和免费概率等,并强调了 Marchenko-Pastur 方程,它提供了有关成倍污染的嘈杂矩阵的解的信息,特别关注经验相关矩阵的特征向量的统计学,说明这些结果特别适用于当没有先验关于基础过程结构的情况下构建大协方差矩阵的一致的 “旋转不变” 估算器(RIE),最后将一些真实世界的应用作为典型案例,确立 RIE 框架的实证效力,在这种情况下,发现其优于以前提出的所有方法。
Oct, 2016
该论文介绍了一种可以从任意分布的坚持图像计算出 Frechet mean 的算法,并证明了当分布是 Dirac masses 的组合时,算法收敛于局部最小值,并给出了一个取自该分布的观测序列的 Frechet mean 的大数定理结果。同时,作者还用高斯随机场的模拟表明算法计算出的经验 mean 会收敛到总体 mean。
Jun, 2012
本文采用 Talagrand 的不等式证明了各种随机对称矩阵的前几个最大的(也是最重要的)特征值非常强烈地集中。这种强烈的集中现象使我们能够高精度地计算这些特征值的均值。我们的方法非常不同于传统方法。
Sep, 2000
我们介绍了一种作为对对称正定矩阵流形上的回归问题的解的协方差矩阵的多保真度估计器。该估计器由于构造方式是正定的,通过最小化得到它的马哈拉诺比斯距离具有可实用的计算性质。我们证明了我们的流形回归多保真度 (MRMF) 协方差估计器是在特定误差模型下的最大似然估计器。更广泛地,我们证明了我们的黎曼回归框架包含了从控制变量构造的现有多保真度协方差估计器。通过数值实例,我们证明了我们的估计器可以相对于单保真度和其他多保真度协方差估计器显著减少,可达一个数量级的平方估计误差。同时,保持正定性确保了我们的估计器与下游任务的兼容性,如数据同化和度量学习,其中这个属性是必要的。
Jul, 2023
我们研究了网络回归问题,通过基于弗雷歇平均和使用 Wasserstein 度量的广义回归模型,提出了一种网络回归方法。通过将图形表示为多变量高斯分布,我们展示了网络回归问题需要计算一个 Riemannian 中心(即 Frechet 平均)。通过固定点迭代可以有效计算具有非负权重的 Frechet 平均,该方法在合成和实际数据情景中的大量数值结果表明改进了现有程序,准确考虑了图形的大小、拓扑和稀疏性。此外,使用该方法的实际实验结果也显示出更高的决定系数($R^{2}$)值和更低的均方预测误差(MSPE),从而巩固了在实践中改进的预测能力。
Jun, 2024