अफ्रीकी प्रवासन: प्रवृत्तियाँ, पैटर्न, प्रेरणाएँ

सांख्यिकी और मशीन लर्निंग सिद्धांत ने कई शर्तें विकसित की हैं जो यह सुनिश्चित करती हैं कि लोकप्रिय अनुमानक जैसे लासो या डेंट्ज़ीग चयनकर्ता उच्च-आयामीSparse Regression में अच्छे प्रदर्शन करते हैं, जिनमें प्रतिबंधित ईगेन मूल्य, अनुकूलता, और सूत्र: पाठ देखें संवेदनशीलता विशेषताएँ शामिल हैं। हालांकि, इन शर्तों के कुछ केंद्रीय पहलुओं को अच्छी तरह से नहीं समझा गया है। उदाहरण के लिए, यह अज्ञात है कि क्या इन शर्तों को किसी भी दिए गए डेटा सेट पर कुशलतापूर्वक जांचा जा सकता है। यह समस्या का विषय है, क्योंकि वे Sparse Regression के सिद्धांत के मूल में हैं। यहाँ हम एक कड़ी साक्ष्य प्रदान करते हैं कि ये शर्तें NP-कठिन हैं। यह दिखाता है कि इन शर्तों की जांच करना गणनात्मक रूप से असंभव है, और इसके व्यावहारिक अनुप्रयोगों के बारे में कुछ प्रश्न उठाता है। हालांकि, NP-कठिनता के सबसे खराब मामले के दृष्टिकोण की बजाय औसत-केस परिप्रेक्ष्य लेकर, हम दिखाते हैं कि एक विशेष शर्त, सूत्र: पाठ देखें संवेदनशीलता, में कुछ इच्छनीय गुण होते हैं। यह शर्त अन्य के मुकाबले कमजोर और अधिक सामान्य है। हम दिखाते हैं कि यह उन मॉडलों में उच्च संभावना के साथ होती है जहाँ माता-पिता की जनसंख्या सुचारू होती है, और यह कुछ डेटा प्रोसेसिंग चरणों के प्रति मजबूत होती है। ये परिणाम इच्छनीय हैं, क्योंकि वे यह मार्गदर्शन प्रदान करते हैं कि जब यह शर्त, और सामान्यतः sparse regression का सिद्धांत, उच्च-आयामी सहसंबंधित पर्यवेक्षण डेटा के विश्लेषण में प्रासंगिक हो सकता है।