ICMLJun, 2022

LIDL: 使用近似似然度量的局部内在维数估计

PDF
TL;DR提出了一种利用极大似然法进行局部内嵌维度估计的新方法，并成功地通过利用近期参数神经方法在似然估计方面的进展，解决了对高维数据进行非参数最近邻估计中出现的问题。
local intrinsic dimensionestimationdensity estimationparametric neural methodshigh-dimensional data
发现论文，激发创造
  • 基于维纳过程的局部内在维度估计方法视角

    本研究调查了最近最先进的参数化局部内在维度估计方法，从维纳过程的角度探讨了这些方法在其假设不满足时的行为，并给出了这些方法的扩展数学描述以及其误差与数据的概率密度函数之间的关系。

    Jun, 2024

  • 数据复杂性的几何视角：基于扩散模型的高效局部内部维度估计

    基于扩散模型的 Fokker-Planck 方程提供了一种解决现有方法缺陷的局部内在维度估计器 FLIPD，它兼容于各种流行的深度生成模型，并在局部内在维度估计基准测试中优于现有基线模型。

    Jun, 2024

  • 几何感知的内在维度最大似然估计

    本论文提出了一种名为 GeoMLE 的算法，通过回归标准 MLEs 实现对平坦流形的内在维度的显式计算，能够有效地处理非均匀采样的流形，并在不同的合成和真实数据集上实现了最先进的性能。

    Apr, 2019

  • 超越噪音：最佳邻域识别下的内在维数估计

    在这项工作中，我们介绍了一种自动选择合适尺度的协议，该尺度能够使内在维度具有意义且有用，并且通过对人工和真实数据集的基准测试来证明了该程序的实用性和鲁棒性。

    May, 2024

  • 维度感知的异常检测：理论与实验分析

    我们提出了一种非参数异常检测方法，该方法完全考虑了数据集中的局部内在维度变化。通过使用局部内在维度估计值的局部估计以理论上合理的方式，我们的维度感知异常检测方法 DAO 被推导为涉及查询点和随机选择的近邻之间的渐近本地期望密度比的估计器。通过对 800 多个合成和真实数据集的全面实验，我们表明 DAO 明显优于三个流行且重要的基准异常检测方法：局部异常因子（LOF），简化 LOF 和 kNN。

    Jan, 2024

  • 基于测度集中的本地内在维度估计器

    本文介绍了基于线性可分性的本地 ID 估算器，并与其他利用测量集中各种效应引入的 ID 估算器进行比较并研究其属性。观察到的估算器之间的差异可用于预期它们在实际应用中的行为。

    Jan, 2020

  • 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

  • 自适应线性模型的统计限制：低维估计与推断

    使用自适应数据收集的估计和推断在统计学中面临重大挑战。通过研究单个坐标估计的错误表明了适应性数据和 i.i.d. 数据之间估计性能的显著差异。研究表明 OLS 方法可实现匹配的估计错误，我们还提出了一种新的单坐标推断估计器，通过解两阶段自适应线性估计方程来实现。

    Oct, 2023

  • 通过测量局部方向离散度的方法实现鲁棒高效的边界点检测

    提出了一种使用本地方向分散 (LoDD) 方法来检测边界点的鲁棒且高效的方法，该方法在非凸结构和高维流形中能够准确地识别边界点，并在多个数据集上展示了良好的聚类性能。

    Dec, 2023

  • 大规模几何学习的内在维度

    本文提出了确定内在维度函数的计算方法，通过将数学测量集中现象公理地与内在维度联系起来，我们证明了其计算的可行性，并在模型中体现了复杂数据的几何特性，特别地，我们提出了一种将邻域信息纳入内在维度的主要方式，使得对常见图学习过程的新洞察成为可能。

    Oct, 2022