論文の概要: Robust Kernel Density Estimation with Median-of-Means principle

• arxiv url: http://arxiv.org/abs/2006.16590v1
• Date: Tue, 30 Jun 2020 08:01:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 06:13:28.154418
• Title: Robust Kernel Density Estimation with Median-of-Means principle
• Title（参考訳）: 中間値原理を用いたロバストカーネル密度推定
• Authors: Pierre Humbert (ENS Paris Saclay), Batiste Le Bars (ENS Paris Saclay), Ludovic Minvielle (ENS Paris Saclay), Nicolas Vayatis (ENS Paris Saclay)
• Abstract要約: 一般的なカーネル密度推定法と中間平均原理(MoM-KDE)を組み合わせたロバストな非パラメトリック密度推定器を導入する。 この推定器は, 対向汚染の場合であっても, 任意の異常データに対して頑健性を達成することが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce a robust nonparametric density estimator combining the popular Kernel Density Estimation method and the Median-of-Means principle (MoM-KDE). This estimator is shown to achieve robustness to any kind of anomalous data, even in the case of adversarial contamination. In particular, while previous works only prove consistency results under known contamination model, this work provides finite-sample high-probability error-bounds without a priori knowledge on the outliers. Finally, when compared with other robust kernel estimators, we show that MoM-KDE achieves competitive results while having significant lower computational complexity.
• Abstract（参考訳）: 本稿では,一般的なカーネル密度推定法と中間平均原理(MoM-KDE)を組み合わせた頑健な非パラメトリック密度推定手法を提案する。 この推定器は, 対向汚染の場合であっても, 任意の異常データに対して頑健性が得られることを示す。 特に、以前の研究は既知の汚染モデルの下での整合性しか証明していないが、この研究は、外れ値について事前知識を持たない有限サンプルの高確率誤差バウンドを提供する。 最後に、他の頑健なカーネル推定器と比較すると、MoM-KDEは計算複雑性を著しく低くしながら競合する結果が得られることを示す。

関連論文リスト

• Robust Multi-Modal Density Estimation [14.643918024937758]
  ROME (RObust Multi-modal Estimator) は密度推定のための非パラメトリック手法である。 我々は,ROMEが他の推定者によって提示される過度な適合や過度なスムース化の問題を克服できることを示した。
  論文  参考訳（メタデータ） (2024-01-19T09:10:58Z)
• Sobolev Space Regularised Pre Density Models [51.558848491038916]
  本研究では,ソボレフ法則の正則化に基づく非パラメトリック密度推定法を提案する。 この方法は統計的に一貫したものであり、帰納的検証モデルを明確かつ一貫したものにしている。
  論文  参考訳（メタデータ） (2023-07-25T18:47:53Z)
• Targeted Separation and Convergence with Kernel Discrepancies [61.973643031360254]
  カーネルベースの不一致測度は、(i)ターゲットPを他の確率測度から分離するか、(ii)Pへの弱収束を制御する必要がある。 本稿では, (i) と (ii) を保証するのに十分な,必要な新しい条件を導出する。 可分距離空間上のMDDに対して、ボヒナー埋め込み可測度を分離するカーネルを特徴づけ、すべての測度を非有界カーネルと分離するための単純な条件を導入する。
  論文  参考訳（メタデータ） (2022-09-26T16:41:16Z)
• Evaluating the Adversarial Robustness for Fourier Neural Operators [78.36413169647408]
  フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。 我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。 以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
  論文  参考訳（メタデータ） (2022-04-08T19:19:42Z)
• TAKDE: Temporal Adaptive Kernel Density Estimator for Real-Time Dynamic Density Estimation [16.45003200150227]
  時間適応型カーネル密度推定器(TAKDE)と命名する。 TAKDEは最悪のAMISEの点で理論的に最適である。 合成および実世界のデータセットを用いて数値実験を行い、TAKDEが他の最先端の動的密度推定器より優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-15T23:38:32Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• Kernel Mean Estimation by Marginalized Corrupted Distributions [96.9272743070371]
  カーネル平均をヒルベルト空間で推定することは、多くのカーネル学習アルゴリズムにおいて重要な要素である。 本稿では,カーネル平均推定器としてカーネル平均推定器を提案する。
  論文  参考訳（メタデータ） (2021-07-10T15:11:28Z)
• Improved Estimation of Concentration Under $\ell_p$-Norm Distance Metrics Using Half Spaces [14.947511752748005]
  測定の集中は、敵の脆弱性の根本的な原因であると議論されている。 本稿では,実験データセットの濃度を$ell_p$-norm距離で推定する手法を提案する。 提案アルゴリズムはMahloujifar et alよりも効率的です。 合成データセットと画像ベンチマークに関する我々の実験は、より厳密な内在的堅牢性境界を見つけることができることを示した。
  論文  参考訳（メタデータ） (2021-03-24T01:16:28Z)
• 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)
• Generalization Bounds in the Presence of Outliers: a Median-of-Means Study [8.905677748354364]
  Median-of-Means (MoM) は平方可積分 r.v.$Z$ の平均$theta$ の推定量である。 ヘビーテールのデータに対する高い信頼性のおかげで、MoMは機械学習に様々な応用を見出した。 新たな作業ラインは、MoMが破損したデータに対処する能力を特徴付け、活用しようとしている。
  論文  参考訳（メタデータ） (2020-06-09T13:21:39Z)

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。