Aprendizaje en modelos lineales multi-respuesta en altas dimensiones con búsqueda no oracular cuántica
DOI:
https://doi.org/10.46842/ipn.cien.v29n1a08Palabras clave:
modelo lineal multi-respuesta, análisis multivariado, algoritmo de la computación cuánticaResumen
El término "modelo lineal multi-respuesta" se refiere a un modelo estadístico el cual busca la predicción simultánea de variables resultantes a partir de un conjunto de variables predictoras, donde la relación entre cada una de las variables resultantes con el conjunto de variables predictoras es lineal.
En muchos problemas de la vida real es posible obtener datos multi-respuesta. Para ello se utiliza el análisis de datos multi-respuesta, cuyo enfoque aborda el análisis simultáneo de las componentes que conforman tanto las variables resultantes como las covariables y evita hacer el análisis componente a componente, ya que este enfoque podría pasar por alto hacer uso pleno de la información disponible.
El Análisis Multivariado nos proporciona uno de los modelos de regresión multivariado más comúnmente usados, nos referimos al modelo lineal multivariado. El modelo de nuestro interés es un caso particular del anterior mencionado, a saber, el modelo lineal multivariado de dimensión alta y rango bajo, este nos proporciona información relevante dada una muestra con el uso de un algoritmo de la computación cuántica, que de acuerdo a los autores del artículo en el que fue basado el estudio, es una innovación.
Referencias
J. Chen, C. Park, Y. Ke, “Learning High Dimensional Multi-response Linear Models with Non-oracular Quantum Search,” IEEE International Conference on Quantum Computing and Engineering (QCE), 18-23 September 2022, Broomfield, CO, USA. https://doi.org/10.1109/QCE53715.2022.00018
C. Zou, Y. Ke, W. Zhang, “Estimation of Low Rank High-Dimensional Multivariate Linear Models for Multi-Response Data.” Journal of the American Statistical Association, vol. 117, no. 538, pp. 693–703. https://doi.org/10.1080/01621459.2020.1799813
D. McMahon, Quantum computing explained, USA: John Wiley & Sons, 2007.
A. Lopatnikova, T. Minh-Ngoc, S. Sisson, “An introduction to quantum computing for statisticians and data scientists”, 2021, arXiv preprint: https://ui.adsabs.harvard.edu/link_gateway/2021arXiv211206587L/doi:10.48550/arXiv.2112.06587
A. Lounsbury Andrew, Singular Value Decomposition, technical report, Tennessee Technological University, 2018. https://www.tntech.edu/cas/pdf/math/techreports/TR-2018-2.pdf
D. K. Ferry, “Quantum computing and probability,” Journal of Physics: Condensed Matter, vol. 21, no. 47, 2009, https://doi.org/10.1088/0953-8984/21/47/474201
X. Bing, M. Wegkamp, “Adaptive estimation of the rank of the coefficient matrix in high-dimensional multivariate response regression models,” The Annals of Statistics, JSTOR, 2018. https://doi.org/10.48550/arXiv.1704.02381
W. J. Welch, “Algorithmic complexity: three NP-hard problems in computational statistics,” Journal of Statistical Computation and Simulation, vol. 15, no. 1, 1980. https://doi.org/10.1080/00949658208810560
T. W. Anderson, An introduction to multivariate statistical analysis, USA: Wiley New York, 1958.
A. Prakash, Quantum algorithms for linear algebra and machine learning, University of California, Berkeley, 2014. https://escholarship.org/uc/item/5v9535q4
T. W. Anderson, “Estimating linear restrictions on regression coefficients for multivariate normal distributions,” The Annals of Mathematical Statistics, JSTOR, vol. 22, no. 3, pp. 327-351, 1951. https://www.jstor.org/stable/2236620
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Víctor Hugo Hernández Castillo (Autor/a)

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.