論文の概要: copent: Estimating Copula Entropy and Transfer Entropy in R

• arxiv url: http://arxiv.org/abs/2005.14025v3
• Date: Sat, 27 Mar 2021 00:41:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 09:57:14.098084
• Title: copent: Estimating Copula Entropy and Transfer Entropy in R
• Title（参考訳）: copent: r における copula entropy と transfer entropy の推定
• Authors: Jian Ma
• Abstract要約: コピュラエントロピー(CE)は、いくつかの関連する統計や機械学習の問題を解決するために応用されている。 本稿では,コプラエントロピーと転送エントロピーを推定する手法を提案する。
• 参考スコア（独自算出の注目度）: 2.3980064191633232
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Statistical independence and conditional independence are two fundamental concepts in statistics and machine learning. Copula Entropy is a mathematical concept defined by Ma and Sun for multivariate statistical independence measuring and testing, and also proved to be closely related to conditional independence (or transfer entropy). As the unified framework for measuring both independence and causality, CE has been applied to solve several related statistical or machine learning problems, including association discovery, structure learning, variable selection, and causal discovery. The nonparametric methods for estimating copula entropy and transfer entropy were also proposed previously. This paper introduces copent, the R package which implements these proposed methods for estimating copula entropy and transfer entropy. The implementation detail of the package is introduced. Three examples with simulated data and real-world data on variable selection and causal discovery are also presented to demonstrate the usage of this package. The examples on variable selection and causal discovery show the strong ability of copent on testing (conditional) independence compared with the related packages. The copent package is available on the Comprehensive R Archive Network (CRAN) and also on GitHub at https://github.com/majianthu/copent.
• Abstract（参考訳）: 統計的独立と条件独立は統計学と機械学習の2つの基本的な概念である。 コピュラエントロピー(Copula Entropy)は、多変量統計独立度測定とテストのためにMaとSunによって定義された数学的概念であり、条件付き独立度(あるいは移動エントロピー)と密接に関連していることが証明された。 独立性と因果性を測定するための統一的なフレームワークとして、ceは関連づけられた統計や機械学習の問題、例えば関連発見、構造学習、変数選択、因果発見などを解決するために応用されている。 また,コプラエントロピーと転送エントロピーを推定する非パラメトリック手法も提案した。 本稿では,これらの提案手法を実装したrパッケージであるcopentについて述べる。 パッケージの実装の詳細が紹介されている。 このパッケージの使用例を示すために,シミュレートデータと変数選択と因果発見に関する実世界データを用いた3つの例も提示された。 変数選択と因果発見の例は、関連するパッケージと比較してテスト(条件)独立に対処する能力が強いことを示している。 copent パッケージは comprehensive r archive network (cran) と github の https://github.com/majianthu/copent.com で入手できる。

関連論文リスト

• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Estimation of mutual information via quantum kernel method [0.0]
  相互情報(MI)の推定は,複数の確率変数間の関係を非線形相関で調査する上で重要な役割を担っている。 本稿では,量子カーネルを用いた相互情報推定手法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T00:53:16Z)
• Learning versus Refutation in Noninteractive Local Differential Privacy [133.80204506727526]
  非対話的局所差分プライバシー(LDP)における2つの基本的な統計課題について検討する。 本研究の主な成果は,非対話型LDPプロトコルにおけるPAC学習の複雑さの完全な評価である。
  論文  参考訳（メタデータ） (2022-10-26T03:19:24Z)
• Statistical Properties of the Entropy from Ordinal Patterns [55.551675080361335]
  大規模な時系列モデルに対するエントロピー・統計複雑性の連立分布を知っていれば、今日まで利用できない統計テストが可能になるだろう。 実正規化エントロピーが零でも1でもないモデルに対して、経験的シャノンのエントロピーの分布を特徴づける。 2つの信号が同じシャノンのエントロピーを持つ順序パターンを生成するという仮説を否定するのに十分な証拠があるかどうかを検証する。
  論文  参考訳（メタデータ） (2022-09-15T23:55:58Z)
• Conditional Independence Testing via Latent Representation Learning [2.566492438263125]
  LCIT(Latent representation based Conditional Independence Test)は、表現学習に基づく条件付き独立テストのための新しい非パラメトリック手法である。 我々の主な貢献は、Z が与えられた X と Y の独立性をテストするための生成的枠組みの提案である。
  論文  参考訳（メタデータ） (2022-09-04T07:16:03Z)
• Non-Parametric Inference of Relational Dependence [17.76905154531867]
  本研究では,関係系から引き出されたデータの独立性を推定する問題について検討する。 我々は,非観測データに対する関係独立性試験を運用するために,一貫した,非パラメトリックでスケーラブルなカーネルテストを提案する。
  論文  参考訳（メタデータ） (2022-06-30T03:42:20Z)
• Nonparametric Conditional Local Independence Testing [69.31200003384122]
  条件付き局所独立は、連続的な時間プロセス間の独立関係である。 条件付き地域独立の非パラメトリックテストは行われていない。 二重機械学習に基づく非パラメトリックテストを提案する。
  論文  参考訳（メタデータ） (2022-03-25T10:31:02Z)
• A Unifying Framework for Some Directed Distances in Statistics [0.0]
  密度に基づく有向距離(特に発散距離)は統計学で広く使われている。 本稿では、密度ベースと分布関数ベースの分散アプローチの両方を網羅する一般的なフレームワークを提供する。 我々は、有望な相互情報の代替として、確率変数間の依存の新たな概念を導出する。
  論文  参考訳（メタデータ） (2022-03-02T04:24:13Z)
• Partial Counterfactual Identification from Observational and Experimental Data [83.798237968683]
  観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。 我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
  論文  参考訳（メタデータ） (2021-10-12T02:21:30Z)
• Stable Prediction via Leveraging Seed Variable [73.9770220107874]
  従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。 本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。 我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-06-09T06:56:31Z)

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。