論文の概要: TAKDE: Temporal Adaptive Kernel Density Estimator for Real-Time Dynamic Density Estimation

• arxiv url: http://arxiv.org/abs/2203.08317v2
• Date: Wed, 8 Nov 2023 19:25:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-13 18:53:30.383211
• Title: TAKDE: Temporal Adaptive Kernel Density Estimator for Real-Time Dynamic Density Estimation
• Title（参考訳）: TAKDE:リアルタイム動的密度推定のための時間適応カーネル密度推定器
• Authors: Yinsong Wang, Yu Ding, Shahin Shahrampour
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.45003200150227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time density estimation is ubiquitous in many applications, including computer vision and signal processing. Kernel density estimation is arguably one of the most commonly used density estimation techniques, and the use of "sliding window" mechanism adapts kernel density estimators to dynamic processes. In this paper, we derive the asymptotic mean integrated squared error (AMISE) upper bound for the "sliding window" kernel density estimator. This upper bound provides a principled guide to devise a novel estimator, which we name the temporal adaptive kernel density estimator (TAKDE). Compared to heuristic approaches for "sliding window" kernel density estimator, TAKDE is theoretically optimal in terms of the worst-case AMISE. We provide numerical experiments using synthetic and real-world datasets, showing that TAKDE outperforms other state-of-the-art dynamic density estimators (including those outside of kernel family). In particular, TAKDE achieves a superior test log-likelihood with a smaller runtime.
• Abstract（参考訳）: リアルタイム密度推定はコンピュータビジョンや信号処理を含む多くのアプリケーションで広く使われている。 カーネル密度推定は最も一般的な密度推定技術の1つであり、"スライディングウィンドウ"機構はカーネル密度推定器を動的プロセスに適応させる。 本稿では「すべり窓」カーネル密度推定器に対する漸近平均積分二乗誤差(AMISE)の上界を導出する。 この上限は、時間適応型カーネル密度推定器(TAKDE)と呼ばれる新しい推定器を考案するための原理的なガイドを提供する。 スライディングウインドウ」カーネル密度推定器のヒューリスティックアプローチと比較して、TAKDEは最悪のAMISEの観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(カーネルファミリー以外のものを含む)より優れていることを示す。 特にTAKDEは、より小さなランタイムで優れたテストログライクな動作を実現している。

関連論文リスト

• Tracking Dynamic Gaussian Density with a Theoretically Optimal Sliding Window Approach [16.45003200150227]
  我々は「すべり窓」カーネル密度推定器の正確な平均2乗誤差(MISE)について検討した。 合成データセットを用いて実験的なエビデンスを提示し、重み付け方式がトラッキング性能を向上させることを示す。
  論文  参考訳（メタデータ） (2024-03-11T23:21:26Z)
• 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)
• Learning Transfer Operators by Kernel Density Estimation [0.0]
  統計的密度推定の枠組みの中で問題を再検討する。 フロベニウス・ペロン作用素の固有ベクトルの推定におけるこのアプローチの有効性と有効性を示す。 この分野に他の密度推定手法を組み込む可能性を提案する。
  論文  参考訳（メタデータ） (2022-08-01T14:28:10Z)
• Quantum Adaptive Fourier Features for Neural Density Estimation [0.0]
  本稿では,カーネル密度推定の一種とみなすニューラル密度推定法を提案する。 この方法は密度行列、量子力学で使われる形式主義、適応フーリエ特徴に基づいている。 本手法は, 異なる合成および実データを用いて評価し, その性能を最先端のニューラル密度推定法と比較した。
  論文  参考訳（メタデータ） (2022-08-01T01:39:11Z)
• 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)
• Tensor-Train Density Estimation [16.414910030716555]
  密度推定(TTDE)のための高効率テンソルトレインモデルを提案する。 このような密度パラメトリゼーションは、正確なサンプリング、累積および限界密度関数の計算、および分割関数を可能にする。 TTDEは,トレーニング速度において競技者よりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-07-30T21:51:12Z)
• 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)
• 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)
• GBHT: Gradient Boosting Histogram Transform for Density Estimation [73.94900378709023]
  textitGradient Boosting Histogram Transform (GBHT) と呼ばれる密度推定アルゴリズムを提案する。 そこで本研究では,高揚化がベース学習者の性能向上に寄与する理由を理論的に説明するための最初の試みを行う。
  論文  参考訳（メタデータ） (2021-06-10T13:40:28Z)
• 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)
• 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)

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。