In mathematics and statistics, the Fréchet mean is a generalization of centroids to metric spaces, giving a single representative point or central tendency for a cluster of points. It is named after Maurice Fréchet. Karcher mean is the renaming of the Riemannian Center of Mass construction developed by Karsten Grove and Hermann Karcher. On the real numbers, the arithmetic mean, median, geometric mean, and harmonic mean can all be interpreted as Fréchet means for different distance functions. Let (M, d) be a complete metric space. Let x1, x2, ..., xN be points in M. For any point p in M, define the Fréchet variance to be the sum of squared distances from p to the xi: The Karcher means are then those points, m of M, which locally minimise Ψ: If there is an m of M that globally minimises Ψ, then it is Fréchet mean. Sometimes, the xi are assigned weights wi. Then, the Fréchet variance is calculated as a weighted sum, For real numbers, the arithmetic mean is a Fréchet mean, using the usual Euclidean distance as the distance function. The median is also a Fréchet mean, if the definition of the function Ψ is generalized to the non-quadratic where , and the Euclidean distance is the distance function d. In higher-dimensional spaces, this becomes the geometric median. On the positive real numbers, the (hyperbolic) distance function can be defined. The geometric mean is the corresponding Fréchet mean. Indeed is then an isometry from the euclidean space to this "hyperbolic" space and must respect the Fréchet mean: the Fréchet mean of the is the image by of the Fréchet mean (in the Euclidean sense) of the , i.e. it must be: On the positive real numbers, the metric (distance function): can be defined. The harmonic mean is the corresponding Fréchet mean. Given a non-zero real number , the power mean can be obtained as a Fréchet mean by introducing the metric Given an invertible and continuous function , the f-mean can be defined as the Fréchet mean obtained by using the metric: This is sometimes called the generalised f-mean or quasi-arithmetic mean.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Cours associés (2)
COM-406: Foundations of Data Science
We discuss a set of topics that are important for the understanding of modern data science but that are typically not taught in an introductory ML course. In particular we discuss fundamental ideas an
COM-500: Statistical signal and data processing through applications
Building up on the basic concepts of sampling, filtering and Fourier transforms, we address stochastic modeling, spectral analysis, estimation and prediction, classification, and adaptive filtering, w
Séances de cours associées (32)
Mesures de tendance centrale
Couvre la moyenne, la médiane, le mode, les graphiques en boîte et les histogrammes dans les ensembles de données.
Replique Symétrie Breaking: Modèle d'énergie aléatoire
Explore Replica Symmetry Breaking dans le modèle d'énergie aléatoire, en se concentrant sur les configurations, la variance, la moyenne et le comportement du système.
Statistiques: Analyse exploratoire des données
Introduit les bases statistiques, y compris l'analyse des données et la théorie des probabilités, en mettant l'accent sur la tendance centrale, la dispersion et les formes de distribution.
Afficher plus
Publications associées (4)

On the Strategyproofness of the Geometric Median

Rachid Guerraoui, Sadegh Farhadkhani, El Mahdi El Mhamdi, Le Nguyen Hoang

The geometric median, an instrumental component of the secure machine learning toolbox, is known to be effective when robustly aggregating models (or gradients), gathered from potentially malicious (or strategic) users. What is less known is the extent to ...
2023

Byzantine Fault-Tolerant Distributed Machine Learning with Norm-Based Comparative Gradient Elimination

Nirupam Gupta, Shuo Liu

This paper considers the Byzantine fault-tolerance problem in distributed stochastic gradient descent (D-SGD) method - a popular algorithm for distributed multi-agent machine learning. In this problem, each agent samples data points independently from a ce ...
IEEE COMPUTER SOC2021

Fréchet means in Wasserstein space

Yoav Zemel

This work studies the problem of statistical inference for Fréchet means in the Wasserstein space of measures on Euclidean spaces, W2(Rd)\mathcal W_2 ( \mathbb R^d ). This question arises naturally from the problem of separating amplitude and phase variation i ...
EPFL2017
Afficher plus
Concepts associés (3)
Indicateur de tendance centrale
vignette|Diagramme d'une loi binomiale avec des indicateurs de tendance centrale (comme la moyenne au centre). En statistique, un indicateur de tendance centrale est une valeur résumant une série statistique pour une variable quantitative ou ordinale. Les deux principaux sont la moyenne et la médiane, mais on trouve parfois aussi la valeur centrale (moyenne des valeurs minimale et maximale) ou le mode. Ce dernier n’étant pas nécessairement unique pour une série statistique, sa définition ne s’obtient pas directement comme une fonction des termes de la série.
Moyenne
En mathématiques, la moyenne est un outil de calcul permettant de résumer une liste de valeurs numériques en un seul nombre réel, indépendamment de l’ordre dans lequel la liste est donnée. Par défaut, il s’agit de la moyenne arithmétique, qui se calcule comme la somme des termes de la liste, divisée par le nombre de termes. D’autres moyennes peuvent être plus adaptées selon les contextes. La moyenne est un des premiers indicateurs statistiques pour une série de nombres.
Médiane (statistiques)
En théorie des probabilités et en statistiques, la médiane est une valeur qui sépare la moitié inférieure et la moitié supérieure des termes d’une série statistique quantitative ou d’une variable aléatoire réelle. On peut la définir aussi pour une variable ordinale. La médiane est un indicateur de tendance centrale. Par comparaison avec la moyenne, elle est insensible aux valeurs extrêmes mais son calcul est un petit peu plus complexe. En particulier, elle ne peut s’obtenir à partir des médianes de sous-groupes.

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.