Fugu-MT 論文翻訳(概要): Boosting in Univariate Nonparametric Maximum Likelihood Estimation

論文の概要: Boosting in Univariate Nonparametric Maximum Likelihood Estimation

arxiv url: http://arxiv.org/abs/2101.08505v1
Date: Thu, 21 Jan 2021 08:46:33 GMT
ステータス: 処理完了
システム内更新日: 2021-03-21 08:00:24.272132
Title: Boosting in Univariate Nonparametric Maximum Likelihood Estimation
Title（参考訳）: 不定値非パラメトリック最大度推定におけるブースティング
Authors: YunPeng Li, ZhaoHui Ye
Abstract要約: 非パラメトリック最大推定は未知の密度分布を推定することを目的としている。非パラメトリックデータフィッティングにおけるオーバーパラメータ化を軽減するため、スムーズな仮定は通常、推定にマージされる。非パラメトリックログ類似性の2次近似によりブースティングアルゴリズムを推定する。
参考スコア（独自算出の注目度）: 5.770800671793959
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Nonparametric maximum likelihood estimation is intended to infer the unknown density distribution while making as few assumptions as possible. To alleviate the over parameterization in nonparametric data fitting, smoothing assumptions are usually merged into the estimation. In this paper a novel boosting-based method is introduced to the nonparametric estimation in univariate cases. We deduce the boosting algorithm by the second-order approximation of nonparametric log-likelihood. Gaussian kernel and smooth spline are chosen as weak learners in boosting to satisfy the smoothing assumptions. Simulations and real data experiments demonstrate the efficacy of the proposed approach.
Abstract（参考訳）: 非パラメトリック最大推定は、できるだけ少ない仮定で未知の密度分布を推定することを目的としている。非パラメトリックデータフィッティングにおけるオーバーパラメータ化を軽減するため、スムーズな仮定は通常、推定にマージされる。本稿では,単変量の場合の非パラメトリック推定に新しいブースティング法を提案する。非パラメトリックログ類似性の2次近似によりブースティングアルゴリズムを推定する。ガウスカーネルと滑らかなスプラインは、滑らかな仮定を満たすために強化の弱い学習者として選択される。シミュレーションと実データ実験により提案手法の有効性が示された。