本論文では、高次元属性を持つ多属性データに対する新しい推定手法として、投影的循環単調コピュラグラフィカルモデル(PCMC-GGM)を提案している。
まず、属性ごとの非ガウス性を捉えるために、循環単調コピュラ(CMC)に基づくグラフィカルモデル(CMC-GGM)を導入した。CMC-GGMは、各属性ベクトルを最適輸送理論に基づいて正規分布に変換するモデルであり、従来のコピュラガウスグラフィカルモデルよりも柔軟である。
しかし、CMC-GGMでは高次元最適輸送問題を解く必要があり、この問題は呪いの次元の影響を受ける。そこで本論文では、属性ごとの非ガウス性が低次元部分空間に限定されると仮定し、その部分空間を推定することで高次元問題を回避する投影的CMC-GGM(PCMC-GGM)を提案した。
PCMC-GGMでは、まず低次元非ガウス部分空間を推定し、その部分空間内で正規化を行う。これにより、高次元最適輸送問題を解く必要がなくなり、効率的な推定が可能となる。
理論的には、PCMC-GGMの推定量の一致性と収束レートを示した。また、シミュレーションと実データ分析により、提案手法の有効性を実証した。
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Qi Zhang,Bin... at arxiv.org 04-11-2024
https://arxiv.org/pdf/2404.06735.pdfDeeper Inquiries