Dec, 2023

多类定量的核密度估计

PDF
TL;DR我们在本文中提出了一种基于核密度估计的多元密度表示机制，称为 KDEy，通过实验证明 KDEy 在量化性能上优于现有的分布匹配方法，并与目前在量化领域中的最强竞争者期望最大化方法展开比较。
quantificationdistribution-matchingmulticlass settingkernel density estimationquantification performance
发现论文，激发创造
  • 量化问题的在线优化方法

    本研究提出了用于优化量化特定的性能参数的首批在线随机算法，其对于多变量优化的理论具有最优的收敛性，并通过实验验证，相对于现有的算法，能够更好地对性能参数进行优化。

    May, 2016

  • 局部敏感量化快速私有核密度估计

    研究了不同隐私保护机制，包括局部敏感量化的构造、带核的密度估计和增强隐私工具等，实现了快速，准确和隐私保护的数据操作。

    Jul, 2023

  • 多模态数据集的数值数据填补：一种基于概率最近邻核密度的方法

    提出了一种数据填充算法 $k$NN$ imes$KDE：它将最近邻估计 ($k$NN) 和高斯核密度估计 (KDE) 相结合，可应对复杂原始数据结构，产生更低的数据填充误差，并提供更高似然的概率估计。

    Jun, 2023

  • 核密度比的变分加权

    多维变分法引用工具，为减小标准核密度估计的偏差而推导出最优权重函数，从而改善预测后验概率和信息论度量的估计结果，并揭示了核密度估计的一些基本方面，尤其是作为主要构建模块的算法的视角。

    Nov, 2023

  • 鲁棒核密度估计

    提出一种非参数密度估计算法，通过将传统的核密度估计器（KDE）与经典 $M$-estimation 的思想相结合，以及利用核化迭代加权最小二乘（IRWLS）算法对样本均值进行鲁棒性估计从而获得鲁棒 Kernel 密度估计器 (RKDE)，并给出了它的相关理论性质和试验结果。

    Jul, 2011

  • 量子核混合用于概率深度学习

    该研究通过量子密度矩阵的数学形式导出了一种新颖的概率深度学习方法，即量子核混合模型，旨在建立不同 iable 的模型进行密度估计、推理、采样，实现端到端深度神经模型集成，其具有广泛的应用价值，特别是在密度估计、判别学习和生成建模中展现出了显著的优势 。

    May, 2023

  • 多元损失函数的文本量化器优化

    本研究旨在探讨采用结构化预测的有监督学习模型解决量化问题，通过在 5500 个二进制高维数据集上实验，证明该方法比现有的量化方法更准确、更稳定、更高效。

    Feb, 2015

  • 通过非参数散度估计在样本集上的核函数

    该论文提出了一种基于核函数的机器学习算法，可以通过对数据集的分组进行处理，采用独立同分布的样本集作为数据点，利用非参数估计器提取核函数特征从而实现多种分类、回归和异常检测等任务。

    Feb, 2012

  • DAUX: 一种基于密度的不确定性解释方法

    本文介绍了一种解释不确定性量化模型的方法 —— 混淆密度矩阵，用于将现有 UQ 方法识别出的可疑样本分成三类，并通过实验证明了该框架能够利用分类后的样本来提高预测性能。

    Jul, 2022

  • 使用核密度估计确定机器学习模型的领域：在材料性能预测中的应用

    我们发展了一种新方法来评估模型的领域适用性，并展示了我们的方法在多个模型类型和材料性质数据集中提供准确和有意义的领域划分。我们的方法通过使用核密度估计计算特征空间中测试数据点与训练数据点的距离，并展示该距离为确定领域提供了有效的工具。我们展示了根据已有化学知识视为无关的化学组合在我们的测量中表现出显著的差异性。我们还展示了高度差异测量与模型性能不佳（即残差大小）和模型不确定性估计不可靠（即不可靠的不确定性估计）相关。我们提供了自动化工具，以帮助研究人员建立可接受的差异阈值，以确定他们自己的机器学习模型的新预测是领域内还是领域外。

    May, 2024