論文の概要: A Measure-Theoretic Approach to Kernel Conditional Mean Embeddings

• arxiv url: http://arxiv.org/abs/2002.03689v8
• Date: Fri, 8 Jan 2021 14:55:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 07:51:52.740637
• Title: A Measure-Theoretic Approach to Kernel Conditional Mean Embeddings
• Title（参考訳）: 核条件平均埋め込みに対する測度論的アプローチ
• Authors: Junhyung Park and Krikamol Muandet
• Abstract要約: 条件付き平均埋め込みに対する演算子なし測度理論的アプローチを提案する。 我々は、経験的推定を得るために自然な回帰解釈を導出する。 自然副産物として、平均不一致とヒルベルト=シュミット独立基準の条件付き類似点を得る。
• 参考スコア（独自算出の注目度）: 14.71280987722701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an operator-free, measure-theoretic approach to the conditional mean embedding (CME) as a random variable taking values in a reproducing kernel Hilbert space. While the kernel mean embedding of unconditional distributions has been defined rigorously, the existing operator-based approach of the conditional version depends on stringent assumptions that hinder its analysis. We overcome this limitation via a measure-theoretic treatment of CMEs. We derive a natural regression interpretation to obtain empirical estimates, and provide a thorough theoretical analysis thereof, including universal consistency. As natural by-products, we obtain the conditional analogues of the maximum mean discrepancy and Hilbert-Schmidt independence criterion, and demonstrate their behaviour via simulations.
• Abstract（参考訳）: 本稿では,CMEを再現カーネルヒルベルト空間の値を取る確率変数として,演算子自由測度論的手法を提案する。 カーネルは無条件分布の埋め込みを厳密に定義しているが、条件付きバージョンの既存の演算子ベースのアプローチは、解析を妨げる厳密な仮定に依存する。 我々は、CMEの測度理論的処理により、この制限を克服する。 経験的推定を得るために自然回帰解釈を導出し,普遍的一貫性を含む詳細な理論解析を提供する。 自然副産物として、最大平均誤差とヒルベルト=シュミット独立基準の条件付き類似点を求め、シミュレーションによりそれらの挙動を実証する。

関連論文リスト

• Conditionally valid Probabilistic Conformal Prediction [57.80927226809277]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを作成する手法を開発した。 提案手法の有効性を広範囲なシミュレーションにより実証し,条件付きカバレッジで既存手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Q-Learning for Stochastic Control under General Information Structures and Non-Markovian Environments [1.90365714903665]
  反復に対する収束定理を提示し、特に一般の、おそらくは非マルコフ的環境下でのQ学習を反復する。 非マルコフ環境における様々な制御問題に対するこの定理の意義と応用について論じる。
  論文  参考訳（メタデータ） (2023-10-31T19:53:16Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• On the Importance of Gradient Norm in PAC-Bayesian Bounds [92.82627080794491]
  対数ソボレフ不等式の縮約性を利用する新しい一般化法を提案する。 我々は、この新たな損失段階的ノルム項が異なるニューラルネットワークに与える影響を実証的に分析する。
  論文  参考訳（メタデータ） (2022-10-12T12:49:20Z)
• Learning Counterfactually Invariant Predictors [12.37885955059187]
  我々はCIP(Counterfactual Invariant Prediction)と呼ばれるモデルに依存しないフレームワークを提案する。 実験の結果,CIPが様々なシミュレーションおよび実世界のデータセットに反実的不変性を付与する効果が示された。
  論文  参考訳（メタデータ） (2022-07-20T09:23:35Z)
• Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
  可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。 演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
  論文  参考訳（メタデータ） (2022-01-21T02:46:57Z)
• Nearest neighbor empirical processes [7.034466417392574]
  近辺から所与の点$x$への応答に基づく実証測度を導入し、中央統計量として研究する。 均一な非漸近境界は、一様エントロピー数上でよく知られた条件の下で成立し、しばしばVapnik-Chervonenkis (Vapnik-Chervonenkis) と呼ばれる。 これは、標準公式を用いて、全データの代わりに最も近い隣人だけを用いて分散を推定できる可能性を示唆している。
  論文  参考訳（メタデータ） (2021-10-27T08:15:20Z)
• Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
  カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。 我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。 MRP のサブクラスに対する minimax の下位境界を証明する。
  論文  参考訳（メタデータ） (2021-09-24T14:48:20Z)
• Conditional Distributional Treatment Effect with Kernel Conditional Mean Embeddings and U-Statistic Regression [20.544239209511982]
  条件付き分布処理効果(CoDiTE) CoDiTEは平均を超える治療の分布側面を符号化する。 合成,半合成,実データに関する実験は,このアプローチのメリットを示している。
  論文  参考訳（メタデータ） (2021-02-16T15:09:23Z)
• The Variational Method of Moments [65.91730154730905]
  条件モーメント問題は、観測可能量の観点から構造因果パラメータを記述するための強力な定式化である。 OWGMMの変動最小値再構成により、条件モーメント問題に対する非常に一般的な推定器のクラスを定義する。 同じ種類の変分変換に基づく統計的推測のためのアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-12-17T07:21:06Z)
• Kernel Autocovariance Operators of Stationary Processes: Estimation and Convergence [0.5505634045241288]
  我々は、ヒルベルト空間を再現するカーネルに埋め込まれたポーランド空間上の定常過程の自己共分散作用素を考える。 これらの演算子の経験的推定が、様々な条件下でのプロセスの実現に沿ってどのように収束するかを考察する。 我々は、依存データを持つカーネルPCAの一貫性と遷移確率の条件平均埋め込みの観点から、我々の理論の応用について述べる。
  論文  参考訳（メタデータ） (2020-04-02T09:17:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。