本文提出了一种基于相对散度的密度比较方法,它可以更好地处理密度比例函数中的高峰和波动,具有良好的非参数收敛速度和模型复杂度,通过实验证明了该方法的有效性。
Jun, 2011
提出了一种基于核算子特征函数的密度比估计器,避免了显式降维步骤,可以更好地反映数据的几何结构,同时可扩展应用于极端高维下的似然函数估计问题。
Apr, 2014
基于增量混合模型的密度比率估计方法通过在勒贝格流形上进行几何解释和蒙特卡洛采样,显著改善了稳定性和准确度。
Jun, 2024
本文介紹了一些新的高維度非參數密度估計算法,探討其在無監督學習中的應用,特別是聚類問題,並且提出了一些和高維數據分析相關的研究方向。
Mar, 2019
我们提出了一种基于正则化密度的 Sobolev 范数的非参数密度估计的新方法,该方法与核密度估计不同,使模型的偏差清晰且可解释,虽然没有与其关联的核的封闭解析形式,但我们展示了可以使用采样来近似它,所需确定密度的优化问题是非凸的,并且标准梯度法性能不佳,然而我们展示了适当的初始化和使用自然梯度可以得到良好的解,最后,虽然该方法提供未归一化的密度,无法使用对数似然进行交叉验证,但我们展示了可以使用基于费歇分歧的得分匹配方法来完成此任务,我们在最近的安全检测基准套件 ADBenchn 上对所得方法进行了评估,发现排名第二,超过 15 种算法。
Jul, 2023
通过分析一类正则化 Bregman 散度的密度比率估计方法,我们得出新的有限样本误差界,并提出一种 Lepskii 类的参数选择原则,在不知道密度比率的规则性的情况下最小化误差界。在二次损失的特殊情况下,我们的方法能够自适应地达到极小极大误差率。
从有限数量的密度观测结果中估计两个概率密度的比率是机器学习和统计学中的一个核心问题。本研究从一类 Bregman 散度中的预设误差度量出发,表征了导致密度比率估计具有小误差的所有损失函数,并提供了一个简单的构建具有特定属性的损失函数的方法。
Jul, 2024
提出一种非参数方法,使用不连续方法将一段给定范围上未知的连续概率密度函数近似成为分段常数函数,并使用偏差度量描述分继过程以控制二叉分区。该算法简单高效,且有可证明的收敛速率,其在密度估计等广泛任务上的应用效果得到了实证验证。
本文研究了密度比的推断问题,并将半参数密度比估计器应用于双样本均匀性检验,提出了一种基于 f - 差异估计的检验过程,导出了 f - 差异的最优估计器,并用数值研究说明渐近理论在有限样本推断中的充分性。
Oct, 2010
本文探讨通过从一组分布中选择一种密度估计来最小化到未知分布的 L1 距离的问题,并分析了两种算法:Scheffe 锦标赛赢家和最小距离估计。研究者提出了两种新算法来解决计算密度估计的问题,并探讨了随机算法的应用。
Dec, 2007