交集概率:利用概率区间进行投注
本论文提出了一种实用而新颖的推理方法,可用于对各种交汇界限的推理,包括参数或非参数函数的下确界或上确界,或者等价于具有潜在无限约束集合的线性规划问题的值。我们提供了大样本推理的理论,并构造了新的自适应不等式 / 矩选择方法。同时,我们还提供了中位数偏差校正估计器以解决样本有限时可能出现的严重偏差问题。
Jul, 2009
使用预测市场和选择赌注的方式,提出了一种对具有不确定性的问题进行估算与预测的方法,可以涵盖现实世界事件的概率、逻辑不确定性以及哲学和数理逻辑方面的更广泛的影响。
Jan, 2024
基于赌注方法构建的置信区间和置信序列在理论上具有更强的保证,无论是在渐近还是有限样本情况下,其经验证明在经验性能上优于现有的经验伯恩斯坦置信区间和置信序列。
Oct, 2023
本文提出了一种关于认知随机模糊集的普遍理论,用于处理模糊或清晰证据,并通过广义的乘积交集规则进行独立认知随机模糊集的组合,提出了用于量化标量或矢量量,即高斯随机模糊数和多维高斯随机模糊向量的实用模型,并为组合、投影和平凡扩展推导了高斯随机模糊数和向量的公式。
Feb, 2022
该研究引入了一种新的约束域,用于推理关于带有不确定性的数据。它通过引入概率区间的概念,将凸建模扩展到新的领域,以获得关于数据位置的额外可量化信息。通过实验证明,使用 p-box cdf 间隔进行推理可以实现数据的完全包含以及更紧的概率分布范围限制。
May, 2014
个体在选择过程中首先从候选集中选择一些子集进行考虑,然后再从考虑集中进行选择,本文通过推断无法观测到的考虑集合来解决遇到的问题,并且使用 Plackett-Luce 模型和已知的项目效用来推断项目的考虑概率的上下界,同时提供算法以增强这些概率的界限,从而表明可以通过边界推断学习到关于考虑概率的有用信息。
Jan, 2024
本文主要研究如何从有限的数据中确定因果关系 —— 通过将先前的因果结构与贝叶斯估计相结合,该文提出了概率树作为可能的解决方案。研究发现,单一干预的信息增益、干预前的预期信息增益以及干预后预期得到的信息增益都有简单的表达式。因此给出了一种主动学习方法,即选择预期增益最高的干预方式,并通过几个例子予以说明;同时,该方法也展示了概率树及其参数的贝叶斯估计提供了一种简单而可行的快速因果归纳方法。
May, 2022
通过定义和说明,本文提出了一种新的解决方案来代表非概率性信念状态,并将其与概率理论进行比较,发现新理论在结构上类似于概率理论,但更容易实现,并且在某些方面更为简单。
Mar, 2013
本文探索一种使用高斯分布对物体区域进行模糊表示的方法,并提出了一种基于 Hellinger 距离的相似性度量方法,它可以被视为概率交集(ProbIoU),该方法在公开数据集中更接近于带注释的分割掩模。实验表明,基于 ProbIoU 的损失函数可以成功地用于回归高斯表示的参数,并且该论文提出了一种将传统(或旋转)边界框映射到高斯表示的简单映射方案。
Jun, 2021