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
本文探讨了机器学习和统计学中的两个问题:密度估计和无似然推断,结合深度学习中新方法,提出了有效解决方案。
Oct, 2019
本文提出新的目标函数来训练基于深度神经网络的密度比估计器,并将其应用于变点检测问题。我们比较使用梯度下降法来最小化的目标函数,并表明使用我们的深度密度比估计目标函数在癫痫检测任务上表现比其他基于核函数和神经网络的密度比估计方法和其他基于窗口的变点检测算法要好。我们还表明,在这种方法下仍然可以支持其他神经网络体系结构,例如卷积网络。
May, 2019
该论文介绍了一种利用似然比方法构建神经网络置信区间的初步实现,提出了 DeepLR 方法,该方法具有限定数据区域扩展的不对称区间以及考虑训练时间、网络结构和正则化技术等因素的优势。尽管当前实现方式在许多深度学习应用中代价过高,但在医学预测或天体物理学等领域,对单个预测的可靠不确定性估计已经具有明确的价值。这项工作突显了基于似然比的不确定性估计的潜力,并为未来的研究打下了良好基础。
Aug, 2023
本研究提出了利用半监督学习结合基于密度比估计的贝叶斯优化方法,解决在全局解候选人方面监督分类器过于自信的问题。针对 unlabeled point sampling 和 fixed-size pool 场景,对我们的方法和几种基线方法进行了实验结果展示。
May, 2023
通过利用自然的并行性和高性能训练策略,介绍了似然比方法在神经网络训练中的潜力及其逼近技术在梯度估计中的有效性。
Mar, 2024
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。
Jul, 2023
基于逻辑回归的比例估计方法作为参数统计推断的替代方法,以更丰富的总结统计信息来消除假设先验和卡方问题。
Nov, 2016
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
本文提出了一种基于机器学习和降维的新方法,用于进行无似然推断,不需要事先了解模型参数的先验分布。
Jun, 2015