Jun, 2023

超越不可约性的混合比例估计

PDF
TL;DR本文提出更一般的充分条件，可以适应不满足不可约性假设的几种设置。进一步提出了一种基于重采样的元算法，可以使任何现有的 MPE 算法适应我们更一般的条件，这种方法在实验中相对于基线方法和最近提出的重组算法展现更好的估计性能。
mixture proportion estimationirreducibility assumptionresampling-based meta-algorithmestimation performanceregrouping-based algorithm
发现论文，激发创造
  • 通过核嵌入分布进行混合比例估计

    通过构建一种可证明正确的算法，将分布嵌入到一个逆向核希尔伯特空间（RKHS）中，通过解决几个简单的凸二次规划问题，我们解决了混合比例估计问题（MPE）的问题，并在某些假设下导出收敛速度。运行在几个标准分类数据集上，我们的算法在大多数数据集上表现与或优于其他算法。

    Mar, 2016

  • 双组分混合模型的估计及其在多重检验中的应用

    基于形状约束函数估计的思路，本文提出了一种估计混合比例和未知分布的方法，研究了其一致性和收敛速率，开发了自动化的无分布有保证的混合比例置信下限估计方法，并分析了在天文与微阵列实验中的应用。

    Apr, 2012

  • 混合比例估计与 PU 学习：一种现代方法

    本文提出了 Best Bin Estimation（MPE）和 Conditional Value Ignoring Risk（PU-learning）两种简单技术解决无标注数据中的分类问题，并表明这两种方法在实证研究中优于以往的方法。

    Nov, 2021

  • 高效的多重重要性采样估计器

    本文介绍了一种基于集合划分的新的多重重要性采样方法，该方法通过权重计算的高效折衷来减少方差和计算复杂度，并提供了相关的计算机模拟结果。

    May, 2015

  • 非参数半监督学习的类别比例

    该研究提出了解决从正类和未标记数据中开发二元分类器的问题的方法，其中主要集中在如何准确估计正类和负类先验概率的问题。通过研究非参数类先验估计和使用混合模型估计混合比例，该研究提供了一个新的算法以解决问题，通过实际转换为低维空间来解决高维密度估计等问题。

    Jan, 2016

  • 使用增量构建 - 推断 - 近似范式进行 MPE 推断

    本文提出了一种基于增量建立 - 推断 - 近似（IBIA）框架的算法，用于近似求解贝叶斯网络中最大可能解（MPE）的推断问题，该算法无需搜索，运行时间竞争力强，可在 117 个测试基准中的 100 个得到有效结果，精度与分支限界搜索相当。

    Jun, 2022

  • 鲁棒经验均值估计器

    本文研究了概率测度 $P$ 均值的健壮估计量，提出了一种稍微复杂的构造方法以处理健壮 $M$- 估计问题，并将该方法应用于最小二乘密度估计、具有 Kullback 损失的密度估计以及非高斯、不受限制的随机设计和异方差回归问题，同时作者表明该策略也可以用于数据只被假设为混合的情况。

    Dec, 2011

  • 学习平滑乘积分布混合模型：可识别性和算法

    本研究提出了一种基于正交低秩张量分解的非参数混合模型理论，并研究了利用该理论恢复混合组分分布的问题。

    Apr, 2019

  • 利用积分概率度量进行协变量平衡的因果推断

    本文提出了一种使用积分概率度量进行协变量平衡的加权方法，并证明该方法可以在不正确指定模型的情况下保持一致性，同时在有限样本情况下的表现也比现有方法更好。

    May, 2023

  • 高斯混合模型的强健可学习性

    本文介绍了学习高斯混合分布和算法鲁棒性统计的自然融合，提出了第一个可靠的算法，用于学习任意数量的高斯混合物，且仅需要混合权重（有界分数性）和成分之间的总变差距离与零保持一定距离的温和假设条件。算法的核心是一种新的方法，通过对某些生成函数应用一系列精心选择的微分运算来证明维度无关的多项式可辨识性，这些生成函数不仅编码了我们想要学习的参数，还编码了我们想要解决的多项式方程系统。我们展示了如何直接使用我们推导出的符号身份来分析自然的平方和松弛问题。

    Nov, 2020