Mar, 2019

高维数据的非参数密度估计 - 算法与应用

PDF
TL;DR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。
发现论文，激发创造
  • 快速非参数条件密度估计

    通过建立 full density 模型 f (yjx) 而非只有期望值 E (yjx)，条件密度估计广义了回归。本文提出了双核条件密度估计器，并引入了基于双数树的快速算法，用最大似然准则进行带宽选择，从而在处理多变量数据集时取得 380 万倍的加速。

    Jun, 2012

  • 使用深度密度模型进行高维概率估计

    本文提出了一种新的密度估计方法 —— 深度密度模型（DDM），能够快速计算测试数据的归一化密度、生成样本并描述数据的联合熵。

    Feb, 2013

  • 算法高维鲁棒统计的最新进展

    本文章讨论了高维数据的鲁棒性估计问题以及最近在该领域中提出的算法技术，尤其关注于鲁棒均值估计。

    Nov, 2019

  • 高维密度比估计及其拓展在近似似然计算中的应用

    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

  • 将高维回归转换为高维条件密度估计

    使用非参数条件密度估计器，提出了一个全新的 CDE 方法 FlexCode，并对其在高维数据上的表现进行了理论和实证研究。

    Apr, 2017

  • 贝叶斯分类器中连续分布的估计

    本文研究了贝叶斯网络概率分布的建模问题，比较了两种密度估计方法，结论表明核估计是学习贝叶斯模型的有用工具。

    Feb, 2013

  • 高维情况下基于哈希的核密度估计器

    该论文研究了基于局部敏感哈希实现无偏估算的核密度估计数据结构，旨在在高维数据集中实现高效的核密度估计，并提供比单纯随机抽样更好的理论保证。

    Aug, 2018

  • 高维聚类的特征选择

    我们提出了一种非参数特征选择方法，包括多模检验，核密度估计和模式聚类，并提供了聚类结果的错误率边界。此外，我们首次提供了基于模式的聚类的误差界限。

    Jun, 2014

  • 隐式归一化显式正则化密度估计

    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

  • 超越平滑性：将低秩分析并入非参数密度估计

    本文研究了在非参数密度估计中如何引入多视角潜变量模型，探讨了具有唯一一定的连续 Lipschitz 分量的多视角模型的普适一致直方图估计量存在，提出了基于 Tucker 分解的新的非参数潜变量模型，并在实验中发现相对于标准的直方图估计量，本文提出的估计量表现出了明显的性能提高，为将低秩技术扩展到非参数设置提供了坚实的理论基础。

    Apr, 2022