TL;DR
- چکیده:.
- رگرسیون Fréchet یا Barycenters شرطی،.
- چارچوبی انعطافپذیر برای مدلسازی روابط بین متغیرهای کمکی (معمولاً اقلیدسی) و متغیرهای پاسخ در فضاهای متریک عمومی،.
چه اتفاقی افتاد
چکیده:. رگرسیون Fréchet یا Barycenters شرطی،.
چارچوبی انعطافپذیر برای مدلسازی روابط بین متغیرهای کمکی (معمولاً اقلیدسی) و متغیرهای پاسخ در فضاهای متریک عمومی،. بهعنوان مثال،.
توزیعهای احتمال یا ماتریسهای قطعی مثبت است. با این حال،.
بر خلاف مسائل باریسنتر کلاسیک،. محاسبه همتایان شرطی در بسیاری از فضاهای غیر اقلیدسی یک چالش باز باقی میماند،.
زیرا آنها مسائل بهینهسازی غیرمحدب را با ساختار وابسته به دست میدهند. در این کار،.
ما وجود و محاسبه باریسنترهای شرطی،. به ویژه در فضای ماتریسهای مثبت-معین با متریک Bures-Wasserstein را مطالعه میکنیم.
ما یک شرط کافی برای وجود یک کمینهکننده مشکل مرکز شرطی که محدوده رگرسیون برونیابی را مشخص میکند،. فراهم میکنیم.
علاوه بر این،. ما بهینهسازی را بیشتر مشخص میکنیم چشمانداز،.
ثابت میکند که در این شرایط،. هدف از ماکزیممهای محلی خالی است.
علاوه بر این،. ما یک الگوریتم بدون طرح ریزی و قابل اثبات درست برای محاسبه تقریبی نقاط ثابت مرتبه اول ایجاد.
میکنیم. در نهایت،.
ما یک فرمول مجدد تصادفی ارائه میکنیم که استفاده از روشهای بهینهسازی تصادفی ریمانی را برای تنظیمات در. مقیاس بزرگ امکانپذیر میسازد.
آزمایشهای عددی عملکرد روشهای پیشنهادی را روی مشکلات رگرسیون شبکههای بیولوژیکی دنیای واقعی و مشکلات تصویربرداری تانسور انتشار. مصنوعی در مقیاس بزرگ تأیید میکنند.
بهینهسازی و کنترل (math. OC)؛ یادگیری ماشینی (stat.
ML) استناد بهعنوان: (یا v1 [math. OC] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Duc Toan Nguyen [مشاهده ایمیل] [v1] شنبه،.
4 آوریل 2026،. 03:.
20:. 19 UTC (10,.
032 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.