Apr, 2014

基于差异的自适应顺序分区密度估计

PDF
TL;DR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。
nonparametric methodpiecewise constant functiondensity estimationdiscrepancyconvergence rate
发现论文，激发创造
  • 使用递归分区的黑盒密度函数估计

    本文提出了一种贝叶斯推导和计算的新方法，通过递归划分样本空间来定义，并通过有效的数据结构组织划分来近似整个密度函数以及规范化常数，可用于证据估计或快速后验采样，并具有与最新技术相当的性能。

    Oct, 2020

  • 基于分段多项式逼近的高效密度估计

    提出了一种高度有效的算法，该算法能够学习近似于分段多项式密度函数的单变量概率分布，并应用于密度估计问题，涉及混合对数凹分布、混合 $t$ 峰态分布、混合单峰风险率分布、混合二项式泊松分布、混合高斯分布和混合 $k$ 单调密度等问题。

    May, 2013

  • 近线性时间内样本最优密度估计

    设计了一种新的快速算法，用于对分段多项式函数进行密度估计，该算法具有采样最优和近线性时间的估计能力，并且在实践中表现良好。

    Jun, 2015

  • 利用可变宽度直方图实现近线性时间的近似最优密度估计

    本文提出了一种高效的基于变宽直方图的密度估计算法，通过使用该算法对来自 $p$ 的独立同分布采样，可以输出一个分段常数概率密度函数作为假设分布，并且在样本规模和运行时间上达到最优，其中总变差距离满足一定的误差限制。

    Nov, 2014

  • 无限维指数族密度估计

    使用无限维度的指数族函数族估算未知的概率密度，通过解决一个简单的有限维度线性系统，获得比非参数核密度估算器更好的结果，该估算器基于 Fisher 散度，可以在 Kullback-Leibler 散度下近似表示广泛类别的概率密度。

    Dec, 2013

  • 密度差估计

    本文提出了一种新的非参数估计方法，来直接估计概率密度间的差异，同时证明了该方法的收敛速度优越，并通过实验证明了其实用性。

    Jun, 2012

  • 密度估计的数据结构

    本文研究了统计 / 计算权衡的密度估计问题，提出了一种对给定分布数据进行处理的方法，并证明了该方法在时间和样本数量方面都具有非常良好的性能。

    Jun, 2023

  • 最小概率流学习

    本文提出了一种新的参数估计技术，该技术无需计算不可处理的归一化因子或从模型的平衡分布中采样，通过建立动态算法将观测到的数据分布转化为模型分布，并通过使得数据分布与运行该动态算法的分布的 KL 散度最小化来进行优化，在 Ising 模型等情况下展示比当前先进技术更快的学习效率和更低的误差。

    Jun, 2009

  • 使用自适应分割的分类算法

    提出了一种使用装饰树的自适应树划分算法，可以生成更高阶方法的估计集以及在平滑度和边际条件方面具有更强的收敛性。

    Nov, 2014

  • 高维数据的非参数密度估计 - 算法与应用

    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