การสุ่มตัวอย่างจากหลายตัวแปร Gaussian ด้วยกราฟ Laplacian (ผกผัน) ความแปรปรวนร่วม


12

เรารู้จากเช่นKoutis-Miller-Peng (จากงานของ Spielman & Teng) ว่าเราสามารถแก้ระบบเชิงเส้นสำหรับเมทริกซ์อย่างรวดเร็วซึ่งเป็นเมทริกซ์ Laplacian สำหรับกราฟที่มีน้ำหนักเบาบางที่ไม่เป็นลบ .Ax=bA

ตอนนี้ (คำถามแรก) ลองใช้หนึ่งในกราฟ Laplacian เมทริกซ์เป็นความแปรปรวนร่วมหรือ (คำถามที่สอง) เมทริกซ์ความแปรปรวนร่วมผกผันของการแจกแจงปกติแบบศูนย์หลายค่าเฉลี่ยหรือ1}) สำหรับแต่ละกรณีฉันมีคำถามสองข้อ:AN ( 0 , A - 1 )N(0,A)N(0,A1)

A. เราสามารถดึงตัวอย่างจากการกระจายนี้ได้อย่างมีประสิทธิภาพแค่ไหน? (โดยทั่วไปการวาดตัวอย่างเราคำนวณการสลายตัวของ Cholesky , วาดมาตรฐานปกติจากนั้นคำนวณตัวอย่างเป็นx = L ^ { -1} y ) y N ( 0 , I ) x = L - 1 yA=LLTyN(0,I)x=L1y

B. เราสามารถคำนวณดีเทอร์มีแนนต์ของA ได้อย่างมีประสิทธิภาพแค่Aไหน?

โปรดทราบว่าทั้งสองสิ่งนี้สามารถแก้ไขได้อย่างง่ายดายเนื่องจากการสลายตัวของ Cholesky แต่ฉันไม่เห็นวิธีการแยกLอย่างมีประสิทธิภาพมากกว่าเพียงแค่ใช้อัลกอริธึม Cholesky มาตรฐานแบบกระจัดกระจายซึ่งไม่ใช้เทคนิคที่นำเสนอในการอ้างอิงข้างต้น งานและซึ่งจะมีความซับซ้อนลูกบาศก์สำหรับกราฟกระจัดกระจาย แต่สูง treewidth


ฉันคิดว่ามันอาจช่วยให้เจาะจงมากขึ้นในสิ่งที่คุณพิจารณาว่า "มีประสิทธิภาพ" ในทั้งสองกรณี "ประสิทธิภาพ" เหมือนกับ "ไม่ขึ้นอยู่กับการสลายตัวของ Cholesky" หรือไม่?
Suresh Venkat

ขอบคุณสำหรับคำแนะนำ เป็นไปได้ที่คำตอบสำหรับคำถามทั้งหมดคือ "คุณต้องคำนวณการสลายตัวของโคลเลสกี้และไม่มีโครงสร้างใดที่สามารถยกระดับให้เกินขอบเขตของเมทริกซ์ได้" ฉันสนใจที่จะรู้ว่านี่เป็นเรื่องจริงหรือไม่ (แต่ฉันหวังว่ามันจะไม่เป็นเช่นนั้น) ด้วยความเคารพ "มีประสิทธิภาพ" ในย่อหน้าสุดท้ายใช่ฉันส่วนใหญ่หมายถึงมีประสิทธิภาพมากกว่าอัลกอริทึม Cholesky มาตรฐานหร็อมแหร็ม แม้ว่าหากมีวิธีการใช้เทคนิคของงานที่อ้างถึงข้างต้นเพื่อคำนวณ Cholesky ให้เร็วที่สุดเท่าที่จะทำได้โดยใช้วิธีอื่นนั่นก็น่าสนใจเช่นกัน
dan_x

หากคุณต้องการตัวอย่างจากคุณสามารถใช้โดยที่คือเมทริกซ์อุบัติการณ์ของกราฟ ดังนั้นคุณจะได้ลิ้มลองจากมาตรฐานเสียนใน (ขอบ) และใช้การแปลงเชิงเส้นBฉันไม่รู้ว่าสิ่งนี้เปรียบเทียบกับคำแนะนำด้านล่างได้อย่างไร แต่คุณไม่จำเป็นต้องคำนวณการสลายตัวของ Cholesky A = B T B B R E E BN(0,A)A=BTBBREEB
Lorenzo Najt

คำตอบ:


3

มีสองประเด็นแยกกันที่นี่

  1. วิธีการใช้งานที่มีประสิทธิภาพสำหรับแก้ในการสั่งซื้อเพื่อนำไปใช้ข1 / 2Ax=bA1/2b
  2. วิธีการคำนวณดีเทอร์มิแนนต์

คำตอบสั้น ๆ คือ 1) ใช้การประมาณฟังก์ชั่นเมทริกซ์เหตุผลและ 2) คุณไม่ แต่คุณไม่จำเป็นต้องทำอะไรเลย ฉันแก้ไขปัญหาเหล่านี้ทั้งสองด้านล่าง

การประมาณรากที่สองของเมทริกซ์

แนวคิดนี้คือการแปลงการประมาณฟังก์ชัน rational สำหรับฟังก์ชัน scalar เป็นการประมาณฟังก์ชัน rational สำหรับฟังก์ชัน matrix

เรารู้ว่ามีฟังก์ชั่นเหตุผลที่สามารถประมาณฟังก์ชันสแควร์รูทได้ดีมาก บวกb_iเพื่อให้ได้ความแม่นยำสูงในช่วงเวลาคุณจำเป็นต้องใช้ในซีรีส์ ในการรับน้ำหนักที่เหมาะสม ( ) และเสา ( ) เพียงแค่ค้นหาฟังก์ชั่นที่มีเหตุผลประมาณออนไลน์หรือในหนังสือbฉัน[m,M]O(บันทึกM

xr(x):=a1x+b1+a2x+b2++aNx+bN,
bi[m,M]ai-biO(logMm)aibi

ตอนนี้ลองใช้ฟังก์ชั่นเหตุผลนี้กับเมทริกซ์ของคุณ:

r(A)=a1(A+b1I)1+a2(A+b2I)1++aN(A+bNI)1.

เนื่องจากความสมดุลของเรามี ที่คือการสลายตัวมูลค่าเอกพจน์ (SVD) ของ ดังนั้นคุณภาพของการประมาณเมทริกซ์เหตุผลจะเทียบเท่ากับคุณภาพของการประมาณฟังก์ชั่นเหตุผลที่ตำแหน่งของค่าลักษณะเฉพาะ| | 1 / 2 - R ( ) | | 2A

||A1/2r(A)||2=||U(Σ1/2r(Σ))U||2,=maxi|σir(σi)|
A=UΣUA

แสดงถึงจำนวนเงื่อนไขของโดยเราสามารถนำไปใช้กับความอดทนที่ต้องการโดยดำเนินการกราฟที่ปรับเปลี่ยนในเชิงบวก Laplacian ของรูปแบบ κ 1 / 2O ( บันทึกκ ) ( + ฉัน) x = BAκA1/2bO(logκ)

(A+bI)x=b.

วิธีแก้ปัญหาเหล่านี้สามารถทำได้ด้วยตัวทำละลาย Laplacian กราฟที่คุณชื่นชอบ - ฉันชอบเทคนิคหลายประเภท แต่หนึ่งในกระดาษที่คุณอ้างถึงควรจะใช้ได้เช่นกัน ค่าพิเศษเพียงช่วยให้การรวมกันของตัวแก้bI

สำหรับบทความที่ดีเยี่ยมเกี่ยวกับเรื่องนี้รวมถึงเทคนิคการวิเคราะห์ที่ซับซ้อนทั่วไปที่ใช้กับเมทริกซ์แบบไม่สมมาตรดูการคำนวณ ,และฟังก์ชันเมทริกซ์ที่เกี่ยวข้องโดยอินทิกรัลรูปร่างล็อก( )Aαlog(A)โดย Hale, Higham และ Trefethen (2008) )

กำหนด "การคำนวณ"

ตัวกำหนดนั้นยากต่อการคำนวณ เท่าที่ฉันรู้วิธีที่ดีที่สุดคือการคำนวณการสลายตัว Schur โดยใช้อัลกอริทึม QR จากนั้นอ่านค่าลักษณะเฉพาะจากเส้นทแยงมุมของเมทริกซ์รูปสามเหลี่ยมบน ใช้เวลาโดยที่คือจำนวนโหนดในกราฟ U O ( n 3 ) nA=QUQUO(n3)n

อย่างไรก็ตามการคำนวณดีเทอร์มิแนนต์เป็นปัญหาที่ไม่สามารถควบคุมได้โดยธรรมชาติดังนั้นหากคุณเคยอ่านกระดาษที่อาศัยการคำนวณดีเทอร์มิแนนต์ของเมทริกซ์ขนาดใหญ่คุณควรจะสงสัยอย่างมากเกี่ยวกับวิธีนี้

โชคดีที่คุณอาจไม่ต้องการปัจจัย ตัวอย่างเช่น,

  • ในการดึงตัวอย่างจากการแจกแจงแบบเกาส์เดียวค่าคงที่การทำให้เป็นมาตรฐานมีค่าเท่ากันทุกจุดดังนั้นคุณไม่จำเป็นต้องคำนวณN(0,A1)
  • ถ้า Laplacian matrixแทนค่าความแปรปรวนร่วมของการประมาณแบบเกาส์เซียนท้องถิ่นที่จุดเป็นการกระจายแบบไม่แบบเกาส์นั้นตัวกำหนดจะเปลี่ยนแน่นอนจากจุดหนึ่งไปยังอีกจุดหนึ่ง อย่างไรก็ตามในโครงการการสุ่มตัวอย่างทุกฉันรู้ที่มีประสิทธิภาพ (รวมทั้งห่วงโซ่มาร์คอฟ Monte Carlo สุ่มตัวอย่างสำคัญอื่น ๆ ) สิ่งที่คุณต้องการจริงๆคืออัตราส่วนปัจจัย , ที่คือจุดปัจจุบันและเป็นตัวอย่างถัดไปที่เสนอA=Axx
    det(Ax01Axp),
    x0xp

เราสามารถดูเป็นการอัปเดตข้อมูลประจำตัวระดับต่ำ ซึ่งเป็นตัวเลขที่มีประสิทธิภาพ rank, , ของการอัปเดตระดับต่ำคือการวัดในท้องถิ่นว่าการแจกแจงที่แท้จริงแบบไม่ Gaussian นั้นเป็นอย่างไร; โดยทั่วไปแล้วจะต่ำกว่าระดับเมทริกซ์ทั้งหมด อันที่จริงถ้ามีขนาดใหญ่การกระจายตัวที่แท้จริงนั้นไม่ใช่แบบเกาส์เซียนท้องถิ่นดังนั้นจึงควรตั้งคำถามกับกลยุทธ์ทั้งหมดของการพยายามลองตัวอย่างการกระจายตัวนี้โดยใช้การประมาณแบบเกาส์ท้องถิ่นAx01Axp

Ax01Axp=I+QDQ,
rr

ปัจจัยอันดับต่ำและสามารถพบได้ด้วยการสุ่ม SVDหรือ Lanczos โดยใช้เมทริกซ์ ถึงเวกเตอร์ที่ต่างกันแต่ละแอปพลิเคชันที่ต้องใช้หนึ่งกราฟ วิธีการแก้ปัญหา Laplacian ดังนั้นการทำงานโดยรวมสำหรับการได้รับปัจจัยอันดับต่ำเหล่านี้คือE))QD

Ax01AxpI
O(r)O(rmax(n,E))

ทราบว่าอัตราส่วนดีเทอร์มิแนนต์คือ เดชอุดม( - 1 x 0 x P ) = det ( ฉัน+ Q D Q * ) = ประสบการณ์( R Σฉัน= 1บันทึกd ฉัน )D=diag(d1,d2,,dr)

det(Ax01Axp)=det(I+QDQ)=exp(i=1rlogdi).

เทคนิคการคำนวณการปันส่วนดีเทอร์มิแนนต์ต่ำเหล่านี้สามารถพบได้ในวิธี Stochastic Newton MCMC สำหรับปัญหาผกผันทางสถิติขนาดใหญ่ที่มีการประยุกต์ใช้กับการผกผันของแผ่นดินไหวโดย Martin, et al. (2012) ในบทความนี้นำไปใช้กับปัญหาต่อเนื่องดังนั้น "กราฟ" เป็นตารางในพื้นที่ 3 มิติและกราฟ Laplacian เป็นเมทริกซ์ Laplacian จริง อย่างไรก็ตามเทคนิคทั้งหมดนำไปใช้กับ Laplacians กราฟทั่วไป อาจมีกระดาษอื่น ๆ ที่ใช้เทคนิคนี้กับกราฟทั่วไปในตอนนี้ (ส่วนขยายนั้นเล็กน้อยและโดยทั่วไปคือสิ่งที่ฉันเพิ่งเขียน)

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.