- 胜者通吃学习者是几何感知条件密度估计器
使用 Winner-takes-all 学习算法进行条件密度估计,利用其几何特性优势,通过量化和密度估计实现了竞争力的结果。
- 在线估计通过离线估计:一种信息论框架
统计估计的经典理论和在线学习的现代理论相结合,提出了黑盒离线估计到在线估计的转化问题,通过引入 Oracle-Efficient Online Estimation (OEOE) 框架,从信息论的角度解决了在线估计的统计复杂性和计算复杂性, - 神经核条件均值嵌入
本论文介绍了一种将深度学习与核条件均值嵌入相结合的新方法,解决了核条件均值嵌入在可扩展性和表达能力方面的挑战,并在条件密度估计和强化学习中达到了竞争性能。
- 优化和高效预测集的合规化深度样条
通过神经网络参数化样条估计条件密度的 SPICE 方法是一种新的与可靠统计覆盖保证相容的一致性回归方法,具有普遍逼近和最优性结果,适用于两种高效计算的一致性评分,能够提供较小的平均预测区间并保证最佳条件覆盖。
- 平方神经族:一种新的可计算密度模型类
提出一种新的概率分布类别,称为平方神经族 (SNEFY),通过计算神经网络的 2 - 范数来形成,并在基础度量方面进行归一化。 SNEFY 比传统指数家族更灵活,具有可追溯的边缘分布,能够广泛应用于密度估计和条件密度估计任务。
- ICMLMD-split+: 高维实用局部共形推断
介绍了一种基于本地模型性能的条件密度估计模型的本地 conformal 方法 MD-split ,可用于复杂的现实世界数据设置,用于确定 X 分区,并与其他本地 conformal 方法进行比较。
- 图混合密度网络
该研究提出了一种新的机器学习模型 —— 图混合密度网络,可适用于任意拓扑结构的多模态输出分布拟合。研究结果表明,该模型在应对结构化数据相关的挑战性条件密度估计问题方面表现突出,并可应用于随机传染病模拟等领域,且能有效提高结果的预测不确定性。
- 条件密度估计的噪声正则化
提出了一种基于噪声正则化的条件密度估计方法,可解决神经网络模型在训练过程中容易出现过拟合的问题,并经实验证明在七个数据集和三种 CDE 模型上均取得了显著且一致的效果,在训练数据稀缺时也比之前的非参数化和半参数化方法更具优势。
- 深入探究:基于跟踪数据的美式橄榄球赛中连续时间内赛果估值模型
在美式足球比赛中,使用球员追踪数据和长短时记忆循环神经网络构建球员模型,实现了比赛情况和赛况期望点值的连续时间估值。
- 高斯过程条件密度估计
本文介绍了一种基于高斯过程的贝叶斯条件密度估计方法,利用隐变量来扩展模型输入,可以应用于小数据集和大数据集,有效地建模稀疏数据区域和多条件共享结构,并应用于出租车乘客下车的时空密度估计、非高斯噪声建模以及少样本学习的实际问题。
- 基于贝叶斯归一化流的条件密度估计
本文提出使用正规化流作为灵活的似然模型,以及提出了一种有效的方法来适应复杂分布的条件密度估计问题,其使用贝叶斯框架对这些条件密度估计器进行先驱概率分析,最终将该方法应用于两大数据集的空间密度建模任务上,并在某些情况下获得了最先进的性能。
- 极限分类和密度估计的树和表示同时学习
我们提出了一种新颖的算法,可以同时进行输入数据的表示学习和层次预测器的学习,该算法通过优化多向节点划分的平衡和易分离性来实现目标函数,从而实现分类误差的上界和提高准确性,并将算法的变体应用于文本分类和语言建模中。
- NIPS贝叶斯条件密度估计下无需 ε 的快速模拟模型推理
该论文提出了一种基于贝叶斯条件密度估计的无似然推断方法,通过有限的模拟数据进行初步的推断,引导后续的模拟,相较于 Monte Carlo ABC 方法,该方法需要较少的模型模拟来获得整个真实后验分布的准确参数化表示。
- 快速非参数条件密度估计
通过建立 full density 模型 f (yjx) 而非只有期望值 E (yjx),条件密度估计广义了回归。本文提出了双核条件密度估计器,并引入了基于双数树的快速算法,用最大似然准则进行带宽选择,从而在处理多变量数据集时取得 380