arXiv 1502.078202015-02-27math.OC

配电网的结构学习和统计估计--II部分

Structure Learning and Statistical Estimation in Distribution Networks - Part II

Deepjyoti Deka, Scott Backhaus, Michael Chertkov

摘要：

本文的第一部分讨论了从节点电压测量中学习电网运行结构的问题。在这项工作中（第二部分），学习的业务径向结构的问题，估计节点的消费统计和推断的线路参数的网格。基于线性耦合（LC）近似的交流潮流方程，多项式时间算法的设计，以完成这些任务，使用现有的节点复杂的电压测量。然后将结构学习算法扩展到缺失数据的情况，其中可用的观测仅限于一小部分网格节点。所提出的算法的有效性证明了通过模拟几个分布测试用例。

英文摘要：

Part I of this paper discusses the problem of learning the operational structure of the grid from nodal voltage measurements. In this work (Part II), the learning of the operational radial structure is coupled with the problem of estimating nodal consumption statistics and inferring the line parameters in the grid. Based on a Linear-Coupled (LC) approximation of AC power flows equations, polynomial time algorithms are designed to complete these tasks using the available nodal complex voltage measurements. Then the structure learning algorithm is extended to cases with missing data, where available observations are limited to a fraction of the grid nodes. The efficacy of the presented algorithms are demonstrated through simulations on several distribution test cases.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

现代统计估计问题的复合差分-最大程序

Composite Difference-Max Programs for Modern Statistical Estimation Problems

许多现代统计估计问题由三个主要组成部分定义：假设输出变量对输入特征的依赖性的统计模型;测量观测输出与模型预测输出之间的误差的损失函数;以及控制模型中的过拟合和/或变量选择的正则化器。我们研究了这个通用的统计估计问题的抽样版本，其中模型参数估计的经验风险最小化，这涉及到的经验平均值的损失函数在数据点加权模型正则化的最小化。在我们的设置中，我们允许上面讨论的所有三个分量函数都是凸差分（dc）类型，并使用大量常用的例子来说明它们，包括连续分段仿射回归和深度学习中的例子（其中激活函数是分段仿射的）。我们描述了一个非单调优化最小化（MM）算法解决统一的非凸，不可微最优化问题，这是制定为一个特殊结构的复合DC程序的逐点极大值型，并提出收敛结果的方向固定的解决方案。提出了一种有效的半光滑牛顿法来求解MM子问题的对偶。数值结果表明，所提出的算法的有效性和连续分段仿射回归优于标准的线性模型。

2018-10-07math.OC

重尾流统计估计

Heavy-tailed Streaming Statistical Estimation

Carnegie-Mellon University（卡内基梅隆大学）

我们考虑流$p$维样本的重尾统计估计的任务。这也可以被看作是重尾分布下的随机优化，具有额外的$O(p)$空间复杂度约束。我们设计了一个裁剪的随机梯度下降算法，并提供了一个改进的分析，在一个更细致入微的条件下的随机梯度的噪声，我们表明是至关重要的，当分析随机优化问题所产生的一般统计估计问题。我们的结果保证收敛不仅在预期中，但指数浓度，而且这样做使用$O(1)$批量大小。我们提供了我们的平均估计和线性回归的结果的后果。最后，我们通过均值估计和线性回归的合成实验，提供了我们的结果和算法的经验佐证。

2022-02-25cs.LGmath.OCstat.ML

基于条件梯度型方法的稳健结构统计估计

Robust Structured Statistical Estimation via Conditional Gradient Type Methods

University of Texas at Austin（德克萨斯大学奥斯汀分校）

结构化统计估计问题通常通过条件梯度（CG）类型的方法来解决，以避免计算上昂贵的投影操作。然而，现有的CG类型的方法是不健壮的数据损坏。为了解决这个问题，我们建议鲁棒CG类型的方法对Huber的腐败模型和重尾数据。首先，我们证明了两种成对CG方法是稳定的，即，不要积累错误。结合鲁棒平均梯度估计技术，我们可以保证鲁棒性的问题，但现在在一个无投影算法框架。接下来，我们考虑高维问题。基于鲁棒均值估计的方法可能具有不可接受的高样本复杂度。当约束集为$\ell_0$范数球时，最近发展了基于迭代硬约束保持的方法。然而，即使对于具有$O(d)$极值点的一般集合，扩张也是非平凡的。对于可行集有$O(\text{poly}(d))$极值点的情况，我们提出了一种新的鲁棒性方法，该方法基于一个新的条件，我们称之为鲁棒原子选择条件（RASC）。当满足RASC时，我们的方法线性收敛，具有相应的统计误差，样本复杂度在问题的稀疏性中正确缩放，而不是基于鲁棒均值估计的任何方法所需的环境维度。

2020-07-07cs.LGmath.OCstat.ML

统计模型中参数估计的指数递增步长

An Exponentially Increasing Step-size for Parameter Estimation in Statistical Models

University of Texas at Austin（德克萨斯大学奥斯汀分校）

使用具有固定或衰减步长的梯度下降（GD）是无约束优化问题中的标准实践。然而，当损失函数仅是局部凸的时，这样的步长时间表人为地减慢GD，因为它不能探索损失函数的平坦曲率。为了克服这个问题，我们建议以指数方式增加GD算法的步长。在齐次损失函数的假设下，我们证明了所提出的\emph{exponential step size gradient descent}（EGD）算法的迭代线性收敛到最优解。利用优化的洞察力，我们然后考虑使用EGD算法求解参数估计下的定期和非定期统计模型的损失函数成为局部凸时，样本量趋于无穷大。我们表明，EGD迭代达到最终的统计半径内的真实参数后，对数数量的迭代，这是在形成鲜明对比的\emph{polynomial}的GD算法的迭代次数在非正规统计模型。因此，EGD算法的总计算复杂度是\emph{optimal}，并且在非规则统计模型中求解参数估计时比GD算法的总计算复杂度指数地便宜，而在规则统计设置中与GD算法的总计算复杂度相当。据我们所知，它解决了一个长期存在的差距统计和算法计算复杂性的参数估计在非正规统计模型。最后，我们提供了有针对性的应用一般理论的几类统计模型，包括广义线性模型与多项式连接函数和位置高斯混合模型。

2023-02-01cs.LGmath.OCmath.ST

图上最优化问题的统计估计

Statistical estimation for optimization problems on graphs

大型图在机器学习、数据挖掘和几个相关领域中比比皆是。分析这种图表的一个有用步骤是获得某些汇总统计数据-例如，或者两个节点之间的最短路径的期望长度，或者图的最小生成树的期望权重等。这些统计信息提供了对图的结构的洞察，并且它们可以帮助预测图的全局属性。因此，我们建议研究结构化的子图（一个给定的图）的统计特性，特别是，估计这些子图的组合优化问题的预期目标函数值。一般的任务是非常困难的，如果不是无法解决的，所以为了具体，我们描述了一个更具体的统计估计问题的基础上生成树。我们希望我们的立场文件鼓励其他人也研究其他类型的图形结构，其中一个可以证明非平凡的统计估计。

2013-11-29cs.DMmath.OCstat.CO

公共子空间的统计与计算最优估计与推断

Statistically and Computationally Optimal Estimation and Inference of Common Subspaces

针对多个对称低秩矩阵共享公共子空间的问题，提出基于投影梯度下降和谱平方和初始化的估计器，在强估计信噪比下达到最优 sinΘ 误差率，并在强推断信噪比下实现渐近正态分布的自适应置信区间。

2026-06-04math.OCmath.SPmath.ST

更多相关论文收起更多论文

基于约束信息的统计估计的混合约束直流最优潮流

Chance-Constrained DC Optimal Power Flow Using Constraint-Informed Statistical Estimation

The Pennsylvania State University（宾夕法尼亚州立大学）；Argonne National Laboratory（阿贡国家实验室）；The University of Chicago（芝加哥大学）

本文提出了一种基于约束信息的统计估计方法，用于解决混合约束直流最优潮流问题，通过减少维度提升统计准确性和优化性能。

2026-03-16cs.SYeess.SYmath.OC

光滑最优输运估计的一个无扰动计算上界

A Dimension-free Computational Upper-bound for Smooth Optimal Transport Estimation

众所周知，最优输运的插入式统计估计遭受维数灾难。尽管最近的努力，以提高估计的速度与平滑的问题，这些最近提出的方法的计算复杂性仍然下降与维数呈指数关系。在本文中，由于一个无限维的平方和表示，我们推导出一个统计估计的平滑最优输运，实现了精确的$\varepsilon$从$\tilde{O}(\varepsilon^{-2})$独立和同分布的样本的分布，为计算成本的$\tilde{O}(\varepsilon^{-4})$时，平滑度增加，从而产生无量纲的统计和计算速率，与潜在的指数维数相关的常数。

2021-10-01math.OCmath.STstat.TH

通信高效的精确统计估计

Communication-Efficient Accurate Statistical Estimation

Princeton University（普林斯顿大学）；Columbia University（哥伦比亚大学）

当数据以分布式方式存储时，由于通信成本和隐私问题，传统统计推断过程的直接应用通常是禁止的。本文开发和研究了两个通信效率的准确统计估计（CEASE），通过迭代算法实现分布式优化。在每次迭代中，节点机并行执行计算并与中央处理器通信，然后中央处理器将聚合信息广播到节点机以进行新的更新。该算法适应节点机上损失函数之间的相似性，当每个节点机具有足够大的样本量时，算法收敛速度较快。此外，他们不需要良好的初始化，并享有线性收敛保证在一般情况下。给出了优化误差的收缩率，并揭示了其对局部样本量的依赖性。此外，改进的统计精度每次迭代推导。通过将所提出的方法视为多步统计估计，我们表明，在典型的统计应用中，可以在有限的步骤中实现统计效率。此外，我们给出了一步CEASE估计是统计有效的条件。大量的数值实验的合成和真实数据验证了理论结果，并证明了我们的算法的优越性能。

2021-08-03cs.LGmath.OCstat.CO

基于黎曼高斯-牛顿法的低秩张量估计：统计最优性与二阶收敛性

Low-rank Tensor Estimation via Riemannian Gauss-Newton: Statistical Optimality and Second-Order Convergence

University of Chicago（芝加哥大学）；Duke University（杜克大学）

本文针对含噪线性测量下的低 Tucker 秩张量估计问题，提出黎曼高斯-牛顿方法，首次证明其在含噪环境下的局部二次收敛性，并给出匹配的误差上下界以证明统计最优性，通过张量回归和张量 SVD 应用及仿真验证了理论结果。

2023-07-09cs.LGcs.NAmath.NA

通信高效的分布式统计推断

Communication-Efficient Distributed Statistical Inference

我们提出了一个通信有效的代理Likestive（CSL）框架解决分布式统计推断问题。CSL为全局似然提供了一种通信效率高的替代，可用于低维估计、高维正则化估计和贝叶斯推断。对于低维估计，CSL可证明地改进了朴素平均方案，并有利于置信区间的构建。对于高维正则化估计，CSL导致一个极小极大最优估计与控制通信成本。对于贝叶斯推断，CSL可以用于形成收敛于真实后验的通信有效的准后验分布。这种准后验过程显着提高了MCMC算法的计算效率，即使在非分布式设置。我们提出了理论分析和实验来探索CSL近似的属性。

2016-11-06cs.ITcs.LGmath.IT

非凸统计估计中的隐式正则化：相位恢复、矩阵完备和盲反卷积的梯度下降线性收敛

Implicit Regularization in Nonconvex Statistical Estimation: Gradient Descent Converges Linearly for Phase Retrieval, Matrix Completion, and Blind Deconvolution

Princeton University（普林斯顿大学）；Carnegie Mellon University（卡内基梅隆大学）

近年来，在设计可证明有效的非凸程序来解决统计估计问题方面出现了一系列的活动。由于经验损失的高度非凸性质，最先进的程序通常需要适当的正则化（例如修剪，正则化成本，投影），以保证快速收敛。然而，对于诸如梯度下降之类的常规过程，先验理论要么推荐高度保守的学习率以避免过冲，要么完全缺乏性能保证。本文揭示了非凸优化中一个引人注目的现象：即使在没有显式正则化的情况下，梯度下降也会在各种统计模型下隐式地执行适当的正则化。事实上，梯度下降遵循的轨迹停留在具有良好几何形状的盆地内，由与采样机制不一致的点组成。这种“隐式正则化”特性允许梯度下降以更积极的方式进行，而不会过冲，这反过来又导致大量的计算节省。聚焦于三个基本的统计估计问题，即相位恢复，低秩矩阵完成，和盲反卷积，我们建立了梯度下降实现接近最优的统计和计算保证，而无需显式正则化。特别是，通过将统计建模与通用优化理论相结合，我们开发了一个通用的配方，通过留一法扰动参数分析迭代算法的轨迹。作为一个副产品，嘈杂的矩阵完成，我们证明，梯度下降实现了接近最优的误差控制-测量entrywise和频谱范数-这可能是独立的利益。

2019-07-30cs.ITcs.LGmath.IT