本文提出了一种新的密度估计方法——深度密度模型(DDM),能够快速计算测试数据的归一化密度、生成样本并描述数据的联合熵。
Feb, 2013
提出了一种高度有效的算法,该算法能够学习近似于分段多项式密度函数的单变量概率分布,并应用于密度估计问题,涉及混合对数凹分布、混合$t$峰态分布、混合单峰风险率分布、混合二项式泊松分布、混合高斯分布和混合$k$单调密度等问题。
May, 2013
本文提出了一种基于非参数置信区间、Hessian矩阵特征值以及密度估计的数据分割方法和基于元对称多项式转换的Bootstrap方法来研究密度的峰值。同时还推荐了一种新的带宽选择方法。
Dec, 2013
本文提出了一种贝叶斯推导和计算的新方法,通过递归划分样本空间来定义,并通过有效的数据结构组织划分来近似整个密度函数以及规范化常数,可用于证据估计或快速后验采样,并具有与最新技术相当的性能。
Oct, 2020
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
本文介绍一种在有界域上应用于密度估计或求解偏微分方程的可逆映射B-KRnet,并将其与KRnet进行比较;通过使用B-KRnet作为传输映射,我们得到与前导(均匀)分布对应的明确概率密度函数(PDF)模型,而应用该映射于数据时更加有效。
May, 2023
提出了一种新方法——密度扩散($ ho$-Diffusion),该方法可以用于物理学中的多维密度估计,并能通过任意数量的感兴趣的物理参数来进行条件建模。
Dec, 2023
基于传输的密度估计方法结合了序贯传输映射、平方和密度以及α分散度来近似密度分布,为解决高维问题提供了高效的解决方案。
Feb, 2024
基于增量混合模型的密度比率估计方法通过在勒贝格流形上进行几何解释和蒙特卡洛采样,显著改善了稳定性和准确度。
Jun, 2024
本文针对训练生成器以评估能量函数或未归一化密度的问题,提出了迭代能量基础流匹配(iEFM)方法,这是首个从未归一化密度训练连续归一化流模型的离线策略。研究表明,iEFM在高维复杂系统中展示了其在效率和可扩展性上的优势,为科学应用提供了新的解决方案。
Aug, 2024