通过核嵌入分布进行混合比例估计
本文提出更一般的充分条件,可以适应不满足不可约性假设的几种设置。进一步提出了一种基于重采样的元算法,可以使任何现有的 MPE 算法适应我们更一般的条件,这种方法在实验中相对于基线方法和最近提出的重组算法展现更好的估计性能。
Jun, 2023
本文提出了 Best Bin Estimation(MPE)和 Conditional Value Ignoring Risk(PU-learning)两种简单技术解决无标注数据中的分类问题,并表明这两种方法在实证研究中优于以往的方法。
Nov, 2021
该文介绍了一种基于希尔伯特空间嵌入的分布表征方法,该方法利用再生核希尔伯特空间将分布映射到一个空间中,并扩展了一般支持向量机和其他核方法的整个内核方法库,为概率测量、统计推断、因果发现和深度学习等领域提供了广泛应用,并讨论了该方法的理论保证,应用和未来的研究方向。
May, 2016
基于形状约束函数估计的思路,本文提出了一种估计混合比例和未知分布的方法,研究了其一致性和收敛速率,开发了自动化的无分布有保证的混合比例置信下限估计方法,并分析了在天文与微阵列实验中的应用。
Apr, 2012
我们在本文中提出了一种基于核密度估计的多元密度表示机制,称为 KDEy,通过实验证明 KDEy 在量化性能上优于现有的分布匹配方法,并与目前在量化领域中的最强竞争者期望最大化方法展开比较。
Dec, 2023
该研究提出了解决从正类和未标记数据中开发二元分类器的问题的方法,其中主要集中在如何准确估计正类和负类先验概率的问题。通过研究非参数类先验估计和使用混合模型估计混合比例,该研究提供了一个新的算法以解决问题,通过实际转换为低维空间来解决高维密度估计等问题。
Jan, 2016
该研究提出了一种简单有效的方法,将概率分布嵌入再应用岭回归 算法来解决分布回归问题,同时证明该方法的稳定性和收敛速度,回答了 15 年来未解决的开放性问题,并涵盖了一系列相关的概率分布问题。
Feb, 2014
提出一种非参数密度估计算法,通过将传统的核密度估计器(KDE)与经典 $M$-estimation 的思想相结合,以及利用核化迭代加权最小二乘(IRWLS)算法对样本均值进行鲁棒性估计从而获得鲁棒 Kernel 密度估计器 (RKDE),并给出了它的相关理论性质和试验结果。
Jul, 2011
在一个统一的框架下,选择一个适当的函数空间作为非负测度锥体的对偶,研究一类功能鞍点优化问题,我们将其称为混合功能纳什均衡 (MFNE),它是现有的一些机器学习算法的基础,例如隐性生成模型、分布鲁棒优化 (DRO) 和 Wasserstein barycenters。
Feb, 2024