Jun, 2020

望远镜密度比估计

PDF
TL;DR提出了一种新的框架：Telescoping Density-Ratio Estimation (TRE)，可估算高维空间中高度不同密度之间的密度比，并在互信息估算，表示学习和基于能量的建模方面取得了显着的改进。
density-ratio estimationunsupervised learningtelescoping density-ratio estimationrepresentational learningenergy-based modelling
发现论文，激发创造
  • 在 RKHS 中的密度比自适应学习

    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

  • 通过无穷小分类进行密度比率估计

    该论文提出了一种基于 DRE-∞的、通过蒙特卡罗方法的数值计算技术，从而能够更准确地估算高维度数据中的概率分布之间的密度比率，并为复杂的高维数据集上的任务（如相互信息估计和能量建模）提供了更好的性能。

    Nov, 2021

  • 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

  • 修剪后的密度比率估计

    本文提出了一种鲁棒的密度比估计方法，可以自动识别和修剪异常值，并采用凸形式的参数估计误差分析和次梯度下降方法进行全局优化。

    Mar, 2017

  • 用于稳健分布比较的相对密度比估计

    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

  • 使用多项式逻辑回归估计高差异分布之间的密度比

    本文提出了一种基于多分类分类器的密度比率估计方法，解决了现有方法在概率分布分离 (即互信息小) 问题上的困难，同时在密度比率估计、互信息和表示学习等任务中表现出卓越性能。

    May, 2023

  • 基于密度比估计及半监督学习的贝叶斯优化

    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

  • 密度比估计的二元损失

    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

  • 通过迭代正则化克服密度比估计中的饱和问题

    通过引入迭代正则化方法，解决了密度比估计中误差饱和问题，提高了密度比估计和深度无监督领域自适应模型增强的性能。

    Feb, 2024

  • 利用分布比率估算器来优化具有质量和多样性的学习智能体

    本文介绍了一种基于 Kernals 和 $f$-divergence 的 Quality-Diversity 方法，可以用于神经进化和强化学习等领域，在同时获得高任务回报和行为多样性的优化代理的过程中有效地估计各个策略之间的状态分布系数并求解梯度。

    Nov, 2020