論文の概要: Consistent Density Estimation Under Discrete Mixture Models

• arxiv url: http://arxiv.org/abs/2105.01108v1
• Date: Mon, 3 May 2021 18:30:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 03:47:48.159846
• Title: Consistent Density Estimation Under Discrete Mixture Models
• Title（参考訳）: 離散混合モデルによる連続密度推定
• Authors: Luc Devroye and Alex Dytso
• Abstract要約: この研究は、離散混合モデルの設定において混合確率密度$f$を推定する問題を考える。 特に、すべての密度 $f$ $lim_nto infty mathbbE left[ int |f_n -f | right]=0$ の推定子 $f_n$ が存在することが示されている。
• 参考スコア（独自算出の注目度）: 20.935152220339056
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work considers a problem of estimating a mixing probability density $f$ in the setting of discrete mixture models. The paper consists of three parts. The first part focuses on the construction of an $L_1$ consistent estimator of $f$. In particular, under the assumptions that the probability measure $\mu$ of the observation is atomic, and the map from $f$ to $\mu$ is bijective, it is shown that there exists an estimator $f_n$ such that for every density $f$ $\lim_{n\to \infty} \mathbb{E} \left[ \int |f_n -f | \right]=0$. The second part discusses the implementation details. Specifically, it is shown that the consistency for every $f$ can be attained with a computationally feasible estimator. The third part, as a study case, considers a Poisson mixture model. In particular, it is shown that in the Poisson noise setting, the bijection condition holds and, hence, estimation can be performed consistently for every $f$.
• Abstract（参考訳）: この研究は、離散混合モデルの設定において混合確率密度$f$を推定する問題を考える。 論文は3つの部分からなる。 最初の部分は$L_1$一貫性のある推定器の構築に焦点を当てている。 特に、確率測度 $\mu$ がアトミックであり、$f$ から $\mu$ への写像が単射であるという仮定の下で、すべての密度 $f$ $\lim_{n\to \infty} \mathbb{E} \left[ \int |f_n -f | \right]=0$ に対して、推定子 $f_n$ が存在することを示す。 第2部では実装の詳細について論じている。 具体的には、$f$毎の一貫性が計算可能な推定器で達成できることが示されている。 第3部は、研究事例として、ポアソン混合モデルを考える。 特に、ポアソンの雑音設定では、単射条件が保たれ、従って、$f$ごとに一貫した推定を行うことができる。

関連論文リスト

• Estimating the Mixing Coefficients of Geometrically Ergodic Markov Processes [5.00389879175348]
  実数値の幾何学的エルゴード的マルコフ過程の個々の$beta$-mixing係数を1つのサンプルパスから推定する。 予想される誤差率は$mathcal O(log(n) n-1/2)$である。
  論文  参考訳（メタデータ） (2024-02-11T20:17:10Z)
• A Unified Framework for Uniform Signal Recovery in Nonlinear Generative Compressed Sensing [68.80803866919123]
  非線形測定では、ほとんどの先行結果は一様ではない、すなわち、すべての$mathbfx*$に対してではなく、固定された$mathbfx*$に対して高い確率で保持される。 本フレームワークはGCSに1ビット/一様量子化観測と単一インデックスモデルを標準例として適用する。 また、指標集合が計量エントロピーが低い製品プロセスに対して、より厳密な境界を生み出す濃度不等式も開発する。
  論文  参考訳（メタデータ） (2023-09-25T17:54:19Z)
• $L^1$ Estimation: On the Optimality of Linear Estimators [70.75102576909295]
  この研究は、条件中央値の線型性を誘導する$X$上の唯一の先行分布がガウス分布であることを示している。 特に、条件分布 $P_X|Y=y$ がすべての$y$に対して対称であるなら、$X$ はガウス分布に従う必要がある。
  論文  参考訳（メタデータ） (2023-09-17T01:45:13Z)
• Data Structures for Density Estimation [66.36971978162461]
  p$のサブリニア数($n$)が与えられた場合、主な結果は$k$のサブリニアで$v_i$を識別する最初のデータ構造になります。 また、Acharyaなどのアルゴリズムの改良版も提供します。
  論文  参考訳（メタデータ） (2023-06-20T06:13:56Z)
• The Sketched Wasserstein Distance for mixture distributions [13.643197515573029]
  スケッチド・ワッサースタイン距離(英: Sketched Wasserstein Distance)(WS$)は、有限混合分布に特化された新しい確率距離である。 我々は、$WS$が、$mathcalS = textrmconv(mathcalA)$ の要素の混合の空間に最も区別できるものとして定義されることを示す。
  論文  参考訳（メタデータ） (2022-06-26T02:33:40Z)
• Mean Estimation in High-Dimensional Binary Markov Gaussian Mixture Models [12.746888269949407]
  2進隠れマルコフモデルに対する高次元平均推定問題を考える。 ほぼ最小限の誤差率(対数係数まで)を $|theta_*|,delta,d,n$ の関数として確立する。
  論文  参考訳（メタデータ） (2022-06-06T09:34:04Z)
• Beyond Black Box Densities: Parameter Learning for the Deviated Components [15.501680326749515]
  既知の密度関数の推定は、以前はブラックボックス法によって得られていた可能性がある。 データセットの複雑さが増大すると、既知の推定値から混合分布によって真の密度が逸脱する可能性がある。 我々はワッサーシュタイン計量の下で、最大推定値$lambda*$と$G*$の収束率を確立する。
  論文  参考訳（メタデータ） (2022-02-05T22:44:20Z)
• Universal Regular Conditional Distributions via Probability Measure-Valued Deep Neural Models [3.8073142980733]
  提案したフレームワークを用いて構築されたモデルはすべて、$C(mathcalX,mathcalP_1(mathcalY))$で密集している。 提案モデルはまた、ほとんどのランダム化された機械学習モデルに存在するアレラトリック不確かさを汎用的に表現できることも示している。
  論文  参考訳（メタデータ） (2021-05-17T11:34:09Z)
• The Sample Complexity of Robust Covariance Testing [56.98280399449707]
  i. i. d. 形式 $Z = (1-epsilon) X + epsilon B$ の分布からのサンプル。ここで $X$ はゼロ平均で未知の共分散である Gaussian $mathcalN(0, Sigma)$ である。 汚染がない場合、事前の研究は、$O(d)$サンプルを使用するこの仮説テストタスクの単純なテスターを与えた。 サンプル複雑性の上限が $omega(d2)$ for $epsilon$ an arbitrarily small constant and $gamma であることを証明します。
  論文  参考訳（メタデータ） (2020-12-31T18:24:41Z)
• Optimal Mean Estimation without a Variance [103.26777953032537]
  本研究では,データ生成分布の分散が存在しない環境での重み付き平均推定問題について検討する。 最小の信頼区間を$n,d,delta$の関数として得る推定器を設計する。
  論文  参考訳（メタデータ） (2020-11-24T22:39:21Z)
• Analysis of KNN Density Estimation [56.29748742084386]
  kNN密度推定は、サポートセットが知られている場合、$ell_infty$と$ell_infty$の条件の両方で最小限最適である。 $ell_infty$エラーはミニマックス下限に到達しないが、カーネル密度推定よりは優れている。
  論文  参考訳（メタデータ） (2020-09-30T03:33:17Z)

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。