Fugu-MT 論文翻訳(概要): Nonparametric Density Estimation from Markov Chains

論文の概要: Nonparametric Density Estimation from Markov Chains

arxiv url: http://arxiv.org/abs/2009.03937v1
Date: Tue, 8 Sep 2020 18:33:42 GMT
ステータス: 処理完了
システム内更新日: 2022-10-20 21:03:58.414222
Title: Nonparametric Density Estimation from Markov Chains
Title（参考訳）: マルコフ鎖からの非パラメトリック密度推定
Authors: Andrea De Simone, Alessandro Morandini
Abstract要約: 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。
参考スコア（独自算出の注目度）: 68.8204255655161
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a new nonparametric density estimator inspired by Markov Chains, and generalizing the well-known Kernel Density Estimator (KDE). Our estimator presents several benefits with respect to the usual ones and can be used straightforwardly as a foundation in all density-based algorithms. We prove the consistency of our estimator and we find it typically outperforms KDE in situations of large sample size and high dimensionality. We also employ our density estimator to build a local outlier detector, showing very promising results when applied to some realistic datasets.
Abstract（参考訳）: 我々は、マルコフ鎖に触発された新しい非パラメトリック密度推定器を導入し、よく知られたカーネル密度推定器(kde)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。推定器の整合性を証明し,大標本サイズと高次元の状況において,KDEよりも優れた結果が得られた。また、密度推定器を用いて局所的な外れ値検出器を構築し、現実的なデータセットに適用した場合に非常に有望な結果を示す。

関連論文リスト

Variational Weighting for Kernel Density Ratios [11.555375654882525]
カーネル密度推定(KDE)は、機械学習における様々な生成的および識別的タスクに不可欠なものである。我々は、密度比の標準カーネル密度推定値のバイアスを低減する最適重み関数を導出し、予測後部の推定値と情報理論測度を改善する。
論文参考訳（メタデータ） (2023-11-06T10:12:19Z)
Anomaly Detection with Variance Stabilized Density Estimation [49.46356430493534]
本稿では, 観測試料の確率を最大化するための分散安定化密度推定問題を提案する。信頼性の高い異常検知器を得るために,分散安定化分布を学習するための自己回帰モデルのスペクトルアンサンブルを導入する。我々は52のデータセットで広範なベンチマークを行い、我々の手法が最先端の結果につながることを示した。
論文参考訳（メタデータ） (2023-06-01T11:52:58Z)
Disentangling Learning Representations with Density Estimation [9.244163477446799]
本稿では, 遅延空間のフレキシブルな密度推定により, 信頼性の高い絡み合いを実現する手法を提案する。 GCAEは最先端のベースラインと比較して、非常に競争力が高く信頼性の高いアンタングルメントスコアを達成している。
論文参考訳（メタデータ） (2023-02-08T22:37:33Z)
Fast Kernel Density Estimation with Density Matrices and Random Fourier Features [0.0]
カーネル密度推定 (KDE) は、最も広く使われている非パラメトリック密度推定法の一つである。 DMKDEは密度行列、量子力学的定式化、ランダムフーリエ特徴、明示的なカーネル近似を用いて密度推定を生成する。 DMKDEは、計算密度推定の競合と同等であり、高次元データ上で実行された場合の利点が示される。
論文参考訳（メタデータ） (2022-08-02T02:11:10Z)
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)
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)
Meta-Learning for Relative Density-Ratio Estimation [59.75321498170363]
相対密度比推定(DRE)の既存の方法は、両方の密度から多くのインスタンスを必要とする。本稿では,関係データセットの知識を用いて,相対密度比を数例から推定する,相対DREのメタラーニング手法を提案する。提案手法の有効性を,相対的DRE,データセット比較,外乱検出の3つの問題を用いて実証的に実証した。
論文参考訳（メタデータ） (2021-07-02T02:13:45Z)
Imitation with Neural Density Models [98.34503611309256]
本稿では,Imitation Occupancy Entropy Reinforcement Learning (RL) を報奨として,専門家の占有率の密度推定によるImitation Learning (IL) の新しい枠組みを提案する。提案手法は,専門家の占有率と模倣者の占有率の逆Kulback-Leibler偏差を確実に低くする非逆モデル自由RLの目的を最大化する。
論文参考訳（メタデータ） (2020-10-19T19:38:36Z)
Roundtrip: A Deep Generative Neural Density Estimator [6.704101978104295]
本研究では,深部生成モデルに基づく汎用神経密度推定器として,ラウンドトリップを提案する。一連の実験において、ラウンドトリップは様々な密度推定タスクにおいて最先端の性能を達成する。
論文参考訳（メタデータ） (2020-04-20T01:47:00Z)

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。