Hoffmann-Jørgensen Inequalities for Random Walks on the Cone of Positive Definite Matrices
考虑$m \times m$正定矩阵的锥上的随机游动,其中随机矩阵在锥上具有正交不变分布,黎曼度量是锥上的距离测度.通过应用Khare和Rajaratnam(Ann. Probab.,45(2017),4101- 4111),我们得到了锥上这种随机游动的Hoffmann-Jørgensen型不等式。在Wishart分布$W_m(a,I_m)$的情况下,与索引参数$a$和矩阵参数$I_m$,单位矩阵,我们推导出明确的和可计算的界限出现在霍夫曼-Jørgensen不等式中的每一项。
2022-06-21 math.PR math.ST stat.TH
Wasserstein Riemannian Geometry of Positive Definite Matrices
多元非退化高斯密度上的Wasserstein距离是一个黎曼距离。在讨论了距离和度量测地线的性质后,给出了正定矩阵上黎曼度量的一种显式形式,并计算了它关于迹内积的张量形式.张量是一个矩阵,它是李雅普诺夫方程的解。我们计算了黎曼指数、法坐标图和黎曼梯度的显式公式。最后,Levi-Civita共变导数以矩阵形式与并行传输的微分方程一起计算。虽然所有的计算都是以矩阵形式给出的,但我们也讨论了一个特殊的活动标架的使用。
2018-09-23 math.ST stat.TH
Additive Models for Symmetric Positive-Definite Matrices, Riemannian Manifolds and Lie groups
本文提出了一个对称正定矩阵值反应和多个标量预测的可加回归模型。该模型利用了从Log-Cholesky度量或Log-Euclidean框架继承的阿贝尔群结构,该框架将对称正定矩阵空间转化为黎曼流形,并进一步转化为双不变李群。在对称正定矩阵的空间与这些度量的响应的添加剂模型连接到一个切线空间上的添加剂模型。这种连接不仅需要一个有效的算法来估计分量函数,而且还允许将所提出的加性模型推广到可能不具有李群结构的一般黎曼流形。最优渐近收敛速度和正常的估计的分量函数也建立。数值研究表明,该模型具有优越的数值性能,特别是当有多个预测。通过对弥散张量脑成像数据的分析,证明了该模型的实用价值。
2020-09-18 math.ST stat.ME stat.TH
Learning with symmetric positive definite matrices via generalized Bures-Wasserstein geometry
针对SPD矩阵学习的几何框架需求,本文提出由对称正定矩阵M参数化的广义Bures-Wasserstein(GBW)几何,推导其微分几何性质,并通过实验验证其性能优于原始BW几何,可适配多种机器学习应用。
2023-06-08 math.DG math.FA math.OC
Bures-Wasserstein geometry for positive-definite Hermitian matrices and their trace-one subset
在他的经典论证中,Rao使用正测度空间和欧几里得空间之间的映射推导出了对应于Fisher度量的黎曼距离。他获得的海林格距离的措施和费舍尔距离的子集的概率测度。为了突出Fisher理论和量子信息论之间的相互作用,我们使用黎曼浸没和商流形将这种构造扩展到正定埃尔米特矩阵空间。与海林格距离类似的是布雷斯-瓦瑟斯坦距离(BW),这是一种出现在最优输运、量子信息和最优化理论中的距离度量。首先,我们提出了一个现有的推导黎曼度量和测地线与此距离。随后,我们提出了一种新的推导的黎曼距离和测地线,这个度量的子集上的迹一矩阵,类似于概率测度的Fisher距离。
2022-09-24 math.ST stat.TH
Riemannian Geometry of Symmetric Positive Definite Matrices via Cholesky Decomposition
本文通过Cholesky分解给出了对称正定矩阵流形上的一个新的黎曼度量,称为Log-Cholesky度量。首先在对角元素全为正的下三角形矩阵的集合Cholesky空间上构造了一个李群结构和一个双不变度量。然后,通过Cholesky分解的逆,将这样的群结构和度量推进到SPD矩阵空间,Cholesky分解是Cholesky空间和SPD矩阵空间之间的双射映射。这种新的黎曼度量和李群结构完全避免了膨胀效应,在这个意义上,一组SPD矩阵的Fréchet平均的行列式在所提出的度量下,称为Log-Cholesky平均,是在原始SPD矩阵的行列式的最小值和最大值之间。与已有的仿射不变度量和对数欧几里德度量相比,该度量更简单,计算效率更高,数值稳定性更好。特别地,给出了Log-Cholesky度量下测地线上的平行输运问题的一个封闭且易于计算的形式.
2019-08-25 math.DG math.ST stat.TH
On the validity of parametric block correlation matrices with constant within and between group correlations
我们考虑参数块相关阵的集合Bp,其中p块具有各种(并且可能不同)大小,其对角块是复合对称(CS)相关阵,非对角块是常数矩阵。这样的矩阵出现在分类数据的概率模型中,当水平被划分为p组时,假设组内的相关性恒定,每对组的相关性恒定。得到了Bp中元素为正定性的两个充要条件。首先,我们考虑块平均映射$ϕ$,包括用其平均值替换块。证明了对任意A $\in$ Bp,A是正定的当且仅当$ϕ$(A)是正定的.因此,它相当于检查组均值的协方差阵的有效性,这只取决于组的数量,而不是它们的大小。这个定理可以推广到更广泛的分块矩阵。其次,我们考虑的子集Bp组之间的相关性是相同的所有对组。正定性,然后下来找到一个矩阵束SP的正定区间。我们得到了一个简单的表征,通过本地化的根的行列式与组内相关值。
2017-05-27 math.ST stat.TH
Covariance regularization by thresholding
本文考虑正则化的协方差阵的$p$变量估计从$n$观测,硬阈值。我们证明了,只要真协方差阵在适当的意义下是稀疏的,变量是高斯或亚高斯的,以及$(\log p)/n\to0$,阈值估计在算子范数下是一致的,并获得了显式的速率。结果是一致的家庭的协方差阵,满足一个相当自然的概念稀疏。我们讨论了一个直观的rescue方案的阈值选择,并证明了一般的交叉验证结果,证明这种方法。我们还比较阈值的其他协方差估计在模拟和气候数据的例子。
2009-01-20 math.ST stat.TH
Positive definite completion problems for directed acyclic graphs
正定完备化问题是关于确定部分(或不完全)矩阵的未指定位置是否可以在正定矩阵的期望子类中完备化的问题。本文研究一类新的正定完备化问题,其中所需子类是概率模型的协方差和逆协方差阵空间,对应于有向无圈图模型(也称为贝叶斯网络).我们提供了快速的程序,确定是否可以完成一个部分矩阵在这些空间中的任何一个,然后继续构建完成的矩阵。我们证明了一个模拟的正定完成的结果,无向图的上下文中有向无圈图,从而着手刻画的DAG类,它总是可以完成。我们还着手给出封闭形式的表达式的逆和行列式的一个完整的矩阵作为一个功能的只有相应的部分矩阵的元素。
2012-04-03 math.CO math.RA math.ST
Estimation of positive definite M-matrices and structure learning for attractive Gaussian Markov Random fields
考虑一个二阶矩有限的随机向量。如果其精度矩阵是M矩阵,则所有偏相关是非负的。如果该随机向量另外是高斯的,则对应的马尔可夫随机场(GMRF)被称为吸引的。本文研究了利用符号约束对数行列式发散最小化方法估计M-矩阵的逆二阶矩或精度矩阵。我们还处理高维的情况下,变量的数量超过样本量。额外的符号约束大大简化了估计问题:我们提供的证据表明,显式正则化不再需要。为了解决由此产生的凸优化问题,我们提出了一种基于块坐标下降的算法,其中每个子问题可以转化为非负最小二乘问题。提供了模拟和真实世界数据的插图。
2014-04-26 math.ST stat.ML stat.TH
An Empirical Bayes Approach to Shrinkage Estimation on the Manifold of Symmetric Positive-Definite Matrices
James-Stein估计量是多元正态均值的估计量,在平方误差损失下优于极大似然估计量(MLE)。最初的工作激发了人们对开发各种问题的收缩估计器的极大兴趣。然而,流形值数据的收缩估计的研究很少。本文给出了定义在$N \times N$对称正定矩阵流形上的对数正态分布参数的收缩估计。对于这个流形,我们选择对数欧几里德度量作为它的黎曼度量,因为它易于计算并且在应用中被广泛使用。通过在损失函数中使用对数欧几里德距离,我们导出了一个解析形式的收缩估计,并证明了它在一个大类估计中是渐近最优的,包括MLE,这是数据的样本Fréchet均值。我们通过几个模拟数据实验证明了所提出的收缩估计的性能。此外,我们应用收缩估计进行统计推断扩散磁共振成像问题。
2020-10-27 math.ST stat.TH
Differentially Private Fréchet Mean on the Manifold of Symmetric Positive Definite (SPD) Matrices with log-Euclidean Metric
差分隐私在具有严格隐私保证的统计和机器学习算法的实际部署中变得至关重要。最早的统计查询,针对其已经开发了不同的隐私机制,用于发布样本均值。在几何统计学中,样本Fréchet均值代表了最基本的统计摘要之一,因为它概括了属于非线性流形的数据的样本均值。在这种精神下,到目前为止,唯一一个已经开发了差分隐私机制的几何统计查询是为了发布样本Fréchet平均值:最近提出的\emph{Riemannian Laplace mechanism}将完全黎曼流形上的Fréchet平均值私有化。在许多领域中,对称正定(SPD)矩阵的流形用于对数据空间进行建模,包括隐私要求很关键的医学成像。我们提出了一种新的,简单,快速的机制-\emph{tangent Gaussian mechanism} -计算差分私人Fréchet平均的SPD流形赋予对数欧几里德黎曼度量。我们表明,我们的新机制具有显着更好的实用性和计算效率-通过广泛的实验证实。
2023-02-10 math.ST stat.ML stat.TH
Adaptive Long-Run Variance Thresholding for Sparse Covariance Estimation in High-Dimensional Time Series
University of Electronic Science and Technology of China(电子科技大学)
本文研究了弱依赖高维时间序列稀疏协方差估计,提出基于长期方差的阈值方法,实现对时间依赖性的适应,证明了估计器在谱范数下的一致性及最优收敛速度,并展示了支持恢复一致性。
2026-05-14 math.ST stat.ME stat.TH
Riemannian Gaussian Distributions on the Space of Symmetric Positive Definite Matrices
位于$m \times m$对称正定矩阵的空间$\mathcal{P}_{m\,}$中的数据(有时称为张量数据)在包括医学成像、计算机视觉和雷达信号处理的应用中起着基础作用。对于这些应用,一个开放的挑战是找到一类概率分布,它能够捕获$\mathcal{P}_{m\,}$中数据的统计特性,因为它们出现在现实世界的情况下。本文通过在$\mathcal{P}_{m\,}$上引入黎曼高斯分布来应对这一挑战。Pennec在$2006$中首次考虑了这类分布。本文在现有文献中首次给出了它们的密度函数的精确表达式。这导致了两个原始的贡献。首先,详细研究了黎曼高斯分布的统计推断,揭示了极大似然估计和黎曼质心概念之间的联系,广泛应用于应用。第二,推导和实现的期望最大化算法,估计的混合黎曼高斯分布。本文采用这种新的算法,在$\mathcal{P}_{m\,}$中的数据分类,(具体地说,纹理分类的问题,在计算机视觉),表明它产生显着更好的性能,在最近的方法相比。
2016-12-08 math.ST stat.TH