1. On the Estimation of Latent Distances Using Graph Distances
- Author
-
Bruno Pelletier, Ery Arias-Castro, Antoine Channarond, Nicolas Verzelen, Department of Mathematics [San Diego], University of California [San Diego] (UC San Diego), University of California-University of California, Laboratoire de Mathématiques Raphaël Salem (LMRS), Université de Rouen Normandie (UNIROUEN), Normandie Université (NU)-Normandie Université (NU)-Centre National de la Recherche Scientifique (CNRS), Institut de Recherche Mathématique de Rennes (IRMAR), AGROCAMPUS OUEST, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Université de Rennes 2 (UR2), Université de Rennes (UNIV-RENNES)-École normale supérieure - Rennes (ENS Rennes)-Centre National de la Recherche Scientifique (CNRS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA), Mathématiques, Informatique et STatistique pour l'Environnement et l'Agronomie (MISTEA), Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut national d’études supérieures agronomiques de Montpellier (Montpellier SupAgro), Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), National Science Foundation (NSF): DMS 1513465, DMS 1916071, French Region Normandie : RIN 17B01101GR, ANR-18-CE40-0014,SMILES,Modélisation et Inférence Statistique pour l'Apprentissage non-supervisé à partir de Données Massives(2018), Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-AGROCAMPUS OUEST-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-École normale supérieure - Rennes (ENS Rennes)-Université de Rennes 2 (UR2), Université de Rennes (UNIV-RENNES)-Centre National de la Recherche Scientifique (CNRS), Institut National de la Recherche Agronomique (INRA), Department of Mathematics [Univ California San Diego] (MATH - UC San Diego), University of California (UC)-University of California (UC), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-École normale supérieure - Rennes (ENS Rennes)-Université de Rennes 2 (UR2)-Centre National de la Recherche Scientifique (CNRS)-INSTITUT AGRO Agrocampus Ouest, and Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro - Montpellier SupAgro
- Subjects
Statistics and Probability ,multidimensional scaling ,Latent positions ,Graph embedding ,Mathematics - Statistics Theory ,Statistics Theory (math.ST) ,02 engineering and technology ,01 natural sciences ,Upper and lower bounds ,Task (project management) ,Combinatorics ,010104 statistics & probability ,Spatial network ,Mathematics - Metric Geometry ,Indicator function ,graph distances ,[MATH.MATH-ST]Mathematics [math]/Statistics [math.ST] ,FOS: Mathematics ,0202 electrical engineering, electronic engineering, information engineering ,Adjacency matrix ,Multidimensional scaling ,0101 mathematics ,[MATH]Mathematics [math] ,Mathematics ,graph embedding ,Metric Geometry (math.MG) ,020206 networking & telecommunications ,[STAT.TH]Statistics [stat]/Statistics Theory [stat.TH] ,random geometric graphs ,Graph (abstract data type) ,Statistics, Probability and Uncertainty - Abstract
International audience; We are given the adjacency matrix of a geometric graph and the task of recovering the latent positions. We study one of the most popular approaches which consists in using the graph distances and derive error bounds under various assumptions on the link function. In the simplest case where the link function is an indicator function, the bound is (nearly) optimal as it (nearly) matches an information lower bound.
- Published
- 2021