論文の概要: High-Dimensional Non-Parametric Density Estimation in Mixed Smooth
Sobolev Spaces
- arxiv url: http://arxiv.org/abs/2006.03696v2
- Date: Wed, 20 Oct 2021 23:25:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 03:09:20.277848
- Title: High-Dimensional Non-Parametric Density Estimation in Mixed Smooth
Sobolev Spaces
- Title(参考訳): 混合平滑ソボレフ空間における高次元非パラメトリック密度推定
- Authors: Liang Ding, Lu Zou, Wenjia Wang, Shahin Shahrampour, Rui Tuo
- Abstract要約: 密度推定は、機械学習、統計的推測、可視化において多くのタスクにおいて重要な役割を果たす。
高次元密度推定の主なボトルネックは計算コストの禁止と収束速度の低下である。
適応型双曲交叉密度推定器(Adaptive hyperbolic cross density estimator)と呼ばれる高次元非パラメトリック密度推定のための新しい推定器を提案する。
- 参考スコア(独自算出の注目度): 31.663702435594825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Density estimation plays a key role in many tasks in machine learning,
statistical inference, and visualization. The main bottleneck in
high-dimensional density estimation is the prohibitive computational cost and
the slow convergence rate. In this paper, we propose novel estimators for
high-dimensional non-parametric density estimation called the adaptive
hyperbolic cross density estimators, which enjoys nice convergence properties
in the mixed smooth Sobolev spaces. As modifications of the usual Sobolev
spaces, the mixed smooth Sobolev spaces are more suitable for describing
high-dimensional density functions in some applications. We prove that, unlike
other existing approaches, the proposed estimator does not suffer the curse of
dimensionality under Integral Probability Metric, including H\"older Integral
Probability Metric, where Total Variation Metric and Wasserstein Distance are
special cases. Applications of the proposed estimators to generative
adversarial networks (GANs) and goodness of fit test for high-dimensional data
are discussed to illustrate the proposed estimator's good performance in
high-dimensional problems. Numerical experiments are conducted and illustrate
the efficiency of our proposed method.
- Abstract(参考訳): 密度推定は、機械学習、統計推論、可視化といった多くのタスクにおいて重要な役割を果たす。
高次元密度推定の主なボトルネックは、計算コストの制限と収束速度の遅いことである。
本稿では, 混合滑らかなソボレフ空間における良好な収束特性を有する適応双曲交叉密度推定器という, 高次元非パラメトリック密度推定のための新しい推定器を提案する。
通常のソボレフ空間の修正として、混合滑らかなソボレフ空間はいくつかの応用において高次元密度関数を記述するのにより適している。
他の既存手法とは異なり、提案した推定器は、全変量とワッサーシュタイン距離が特別な場合であるH\"older Integral Probability Metricを含む、積分確率計量の下で次元の呪いを犯さないことを証明している。
提案手法のGAN(Generative Adversarial Network)への適用と高次元データへの適合性について考察し,高次元問題における推定器の性能について述べる。
提案手法の有効性を数値実験により明らかにした。
関連論文リスト
- Weighted Riesz Particles [0.0]
対象分布を、パラメータの無限次元空間が多くの決定論的部分多様体からなる写像と考える。
我々は、Rieszと呼ばれる点の性質を研究し、それをシーケンシャルMCMCに埋め込む。
低い評価で高い受け入れ率が得られることが分かりました。
論文 参考訳(メタデータ) (2023-12-01T14:36:46Z) - Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。
我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文 参考訳(メタデータ) (2023-10-30T21:27:53Z) - A Non-Classical Parameterization for Density Estimation Using Sample
Moments [0.0]
サンプルモーメントを用いた密度推定のための非古典的パラメトリゼーションを提案する。
提案した推定器は、任意の偶数列までのパワーモーメントがサンプルモーメントと正確に一致する文献で最初のものである。
論文 参考訳(メタデータ) (2022-01-13T04:28:52Z) - Estimating Divergences in High Dimensions [6.172809837529207]
本研究では,高次元データにおける分散度推定のための分解可能なモデルを提案する。
これにより、高次元分布の推定密度を低次元関数の積に分解することができる。
最大極大推定器から分解可能なモデルを用いてクルバック・リーブラーの発散を推定すると,既存の発散推定法よりも優れることを示す。
論文 参考訳(メタデータ) (2021-12-08T20:37:28Z) - Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。
局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文 参考訳(メタデータ) (2021-10-11T09:00:33Z) - Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。
この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。
同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文 参考訳(メタデータ) (2021-07-05T18:30:26Z) - Efficient Interpolation of Density Estimators [23.154249845820306]
未知の密度を近似する非パラメトリック推定器の空間的および時間的効率評価の問題について検討する。
本結果は,基礎となる滑らかさの存在下でのカーネル密度推定器の高速評価に関する新しい統計的視点を与えるものである。
論文 参考訳(メタデータ) (2020-11-10T06:05:00Z) - Nonparametric Density Estimation from Markov Chains [68.8204255655161]
我々はマルコフ・チェインにインスパイアされた新しい非パラメトリック密度推定器を導入し、よく知られたケルネル密度推定器を一般化する。
我々の推定器は, 通常のものに対していくつかの利点を示し, 全密度アルゴリズムの基盤として容易に利用できる。
論文 参考訳(メタデータ) (2020-09-08T18:33:42Z) - Augmented Sliced Wasserstein Distances [55.028065567756066]
拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。
ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。
数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
論文 参考訳(メタデータ) (2020-06-15T23:00:08Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳(メタデータ) (2020-04-17T12:47:04Z)
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。