論文の概要: Strong Uniform Consistency with Rates for Kernel Density Estimators with
General Kernels on Manifolds
- arxiv url: http://arxiv.org/abs/2007.06408v2
- Date: Tue, 8 Jun 2021 16:45:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 00:43:16.985403
- Title: Strong Uniform Consistency with Rates for Kernel Density Estimators with
General Kernels on Manifolds
- Title(参考訳): 多様体上の一般カーネルを持つカーネル密度推定器の速度の強い均一性
- Authors: Hau-Tieng Wu and Nan Wu
- Abstract要約: 本稿では,ユーザによって設計されていない複雑なカーネルを用いて,カーネル密度推定の処理方法を示す。
本稿では,統計社会においてよく考慮されるVapnik-Chervonenkisクラスのカーネルとは異なる異方性カーネルについて述べる。
- 参考スコア(独自算出の注目度): 11.927892660941643
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When analyzing modern machine learning algorithms, we may need to handle
kernel density estimation (KDE) with intricate kernels that are not designed by
the user and might even be irregular and asymmetric. To handle this emerging
challenge, we provide a strong uniform consistency result with the $L^\infty$
convergence rate for KDE on Riemannian manifolds with Riemann integrable
kernels (in the ambient Euclidean space). We also provide an $L^1$ consistency
result for kernel density estimation on Riemannian manifolds with Lebesgue
integrable kernels. The isotropic kernels considered in this paper are
different from the kernels in the Vapnik-Chervonenkis class that are frequently
considered in statistics society. We illustrate the difference when we apply
them to estimate the probability density function. Moreover, we elaborate the
delicate difference when the kernel is designed on the intrinsic manifold and
on the ambient Euclidian space, both might be encountered in practice. At last,
we prove the necessary and sufficient condition for an isotropic kernel to be
Riemann integrable on a submanifold in the Euclidean space.
- Abstract(参考訳): 現代の機械学習アルゴリズムを解析する際には、ユーザによって設計されておらず不規則で非対称な複雑なカーネルでカーネル密度推定(KDE)を扱う必要があるかもしれない。
この新興問題に対処するために、リーマン可積分核を持つリーマン多様体上の KDE に対する$L^\infty$収束率(英語版)($L^\infty$ convergence rate)の強い一様整合性結果を与える(周囲ユークリッド空間において)。
また、ルベーグ可積分核を持つリーマン多様体上のカーネル密度推定のための$l^1$一貫性結果も提供する。
本稿では,統計社会においてよく考慮されるVapnik-Chervonenkisクラスのカーネルとは異なる異方性カーネルについて述べる。
確率密度関数を推定するためにそれらを適用する場合の違いを説明する。
さらに、カーネルが内在多様体と環境ユークリッド空間上に設計されている場合の微妙な違いを詳細に述べる。
最後に、等方的核がユークリッド空間の部分多様体上でリーマン積分可能である必要十分条件を証明した。
関連論文リスト
- Variable Hyperparameterized Gaussian Kernel using Displaced Squeezed Vacuum State [2.1408617023874443]
多モードコヒーレント状態は、ハイパーパラメータの定数値を持つガウス核を生成することができる。
この定数ハイパーパラメータは、複雑な学習問題に適用されるときにガウスカーネルの適用を制限する。
マルチモード変位真空状態の可変ハイパーパラメータ化カーネルを実現する。
論文 参考訳(メタデータ) (2024-03-18T08:25:56Z) - Geometric Learning with Positively Decomposable Kernels [6.5497574505866885]
本稿では、正の分解を許容するカーネルのみを必要とするカーネルKrein空間(RKKS)を再現する手法を提案する。
RKKSで学習するためには、この分解にアクセスする必要はない。
論文 参考訳(メタデータ) (2023-10-20T21:18:04Z) - Curvature-Independent Last-Iterate Convergence for Games on Riemannian
Manifolds [77.4346324549323]
本研究では, 多様体の曲率に依存しないステップサイズが, 曲率非依存かつ直線的最終点収束率を達成することを示す。
我々の知る限りでは、曲率非依存率や/または最終点収束の可能性はこれまでに検討されていない。
論文 参考訳(メタデータ) (2023-06-29T01:20:44Z) - Gaussian Processes on Distributions based on Regularized Optimal
Transport [2.905751301655124]
最適正則輸送の双対定式化に基づく確率測度空間上の新しいカーネルを提案する。
この構成がヒルベルトノルムを用いて有効なカーネルを得ることを可能にすることを証明している。
このカーネルに基づくガウス過程の挙動に関する理論的保証を提供する。
論文 参考訳(メタデータ) (2022-10-12T20:30:23Z) - Meta-Learning Hypothesis Spaces for Sequential Decision-making [79.73213540203389]
オフラインデータ(Meta-KeL)からカーネルをメタ学習することを提案する。
穏やかな条件下では、推定されたRKHSが有効な信頼セットを得られることを保証します。
また,ベイズ最適化におけるアプローチの有効性を実証的に評価した。
論文 参考訳(メタデータ) (2022-02-01T17:46:51Z) - A Note on Optimizing Distributions using Kernel Mean Embeddings [94.96262888797257]
カーネル平均埋め込みは、その無限次元平均埋め込みによる確率測度を表す。
カーネルが特徴的である場合、カーネルの総和密度を持つ分布は密度が高いことを示す。
有限サンプル設定でそのような分布を最適化するアルゴリズムを提供する。
論文 参考訳(メタデータ) (2021-06-18T08:33:45Z) - Scalable Variational Gaussian Processes via Harmonic Kernel
Decomposition [54.07797071198249]
汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。
様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。
提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
論文 参考訳(メタデータ) (2021-06-10T18:17:57Z) - Flow-based Kernel Prior with Application to Blind Super-Resolution [143.21527713002354]
カーネル推定は一般にブラインド画像超解像(SR)の鍵となる問題の一つである
本稿では,カーネルモデリングのための正規化フローベースカーネルプリレント(fkp)を提案する。
合成および実世界の画像の実験により、提案したFKPがカーネル推定精度を大幅に向上することを示した。
論文 参考訳(メタデータ) (2021-03-29T22:37:06Z) - Metrizing Weak Convergence with Maximum Mean Discrepancies [88.54422104669078]
本稿では、幅広い種類のカーネルに対する確率測度の弱収束を測る最大平均誤差(MMD)を特徴付ける。
我々は、局所コンパクトで非コンパクトなハウスドルフ空間において、有界連続ボレル可測核 k の MMD が確率測度の弱収束を測ることを証明する。
論文 参考訳(メタデータ) (2020-06-16T15:49:33Z) - Kernel interpolation with continuous volume sampling [11.172382217477129]
2006年に導入された離散分布の連続体積サンプリング(VS)を導入,解析する。
VS の下では,翻訳や定式化にほぼ最適な境界を証明している。
我々は、正規化レバレッジスコアや決定点プロセスに依存する従来のランダム化アプローチとは異なり、VSのpdfを評価するにはカーネルのポイントワイズ評価が必要であることを強調した。
論文 参考訳(メタデータ) (2020-02-22T10:34:59Z)
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。