抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
適応データ解析の研究は,誤った発見(統計的不正確な回答)を避けながら,固定データセットを用いて,多くの統計的質問がどのように正確に答えることができるかを調べる。本論文では,研究の分野に先行する質問,即ち,統計的質問に正確な回答を与えるときのみ,I_sデータが貴重である。この疑問に答えるために,事例研究として確率的Convex最適化を用いた。このモデルにおいて,アルゴリズムを各反復で雑音関数の勾配の推定を問い合わせ,その最小化者に向けて移動させる解析者として考察した。O(1/ε ̄2)例を用いて目的関数を最小化することができるが,既存の方法のどれも軌道に沿った推定勾配の精度に依存しないことが知られている。したがって,著者らは,O(1/ε ̄2)勾配のε-正確な推定を必要とするならば,雑音のある凸関数を最小化するために,多くのサンプルがいかに必要であるかを問う。Orは,不正確な勾配推定が,最適統計速度における確率的凸関数の最小を見つけるのに必要であるかもしれない。この疑問に2つの部分回答を提供した。最初に,著者らは,一般的分析者(悪意に選択される可能性がある)が,Ω(1/ε ̄3)サンプルを必要とし,防風機構の可能性を除外することを示している。第2に,オラクル上のある仮定の下で,Ω(1/ε ̄25)試料がオラクルと相互作用する勾配降下に必要であることを示した。著者らの結果は,O(1/ε ̄2)サンプルがO(ε)の精度に対する個体群リスクを最適化できるが,偽勾配で母集団リスクを最適化できるという古典的な限界と対照的である。【JST・京大機械翻訳】
