論文の概要: Fast Kernel Density Estimation with Density Matrices and Random Fourier Features

• arxiv url: http://arxiv.org/abs/2208.01206v1
• Date: Tue, 2 Aug 2022 02:11:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-03 13:43:29.905048
• Title: Fast Kernel Density Estimation with Density Matrices and Random Fourier Features
• Title（参考訳）: 密度行列とランダムフーリエ特徴を用いた高速カーネル密度推定
• Authors: Joseph A. Gallego M., Juan F. Osorio, Fabio A. Gonz\'alez
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kernel density estimation (KDE) is one of the most widely used nonparametric density estimation methods. The fact that it is a memory-based method, i.e., it uses the entire training data set for prediction, makes it unsuitable for most current big data applications. Several strategies, such as tree-based or hashing-based estimators, have been proposed to improve the efficiency of the kernel density estimation method. The novel density kernel density estimation method (DMKDE) uses density matrices, a quantum mechanical formalism, and random Fourier features, an explicit kernel approximation, to produce density estimates. This method has its roots in the KDE and can be considered as an approximation method, without its memory-based restriction. In this paper, we systematically evaluate the novel DMKDE algorithm and compare it with other state-of-the-art fast procedures for approximating the kernel density estimation method on different synthetic data sets. Our experimental results show that DMKDE is on par with its competitors for computing density estimates and advantages are shown when performed on high-dimensional data. We have made all the code available as an open source software repository.
• Abstract（参考訳）: 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。 メモリベースの手法である、すなわち、予測のためにトレーニングデータセット全体を使用するという事実は、現在のほとんどのビッグデータアプリケーションには適さない。 ツリーベースやハッシュベースの推定器などのいくつかの手法が提案され、カーネル密度推定法の効率性を向上させる。 新しい密度カーネル密度推定法(DMKDE)は、密度行列、量子力学的定式化、および明示的なカーネル近似であるランダムフーリエ特徴を用いて密度推定を生成する。 この手法はKDEにルーツを持ち、メモリベースの制限を伴わずに近似法とみなすことができる。 本稿では,新しいdmkdeアルゴリズムを体系的に評価し,異なる合成データセット上でカーネル密度推定法を近似する他の最先端高速手法と比較する。 実験結果から,DMKDEは計算密度推定の競合と同等であり,高次元データを用いた場合の利点が示された。 すべてのコードをオープンソースソフトウェアリポジトリとして公開しました。

関連論文リスト

• Density Estimation via Binless Multidimensional Integration [45.21975243399607]
  非パラメトリック、ロバスト、およびデータ効率の高い密度推定のためのBinless Multidimensional Thermodynamic Integration (BMTI)法を提案する。 BMTIは、近隣のデータポイント間の対数密度差を計算し、その密度の対数を推定する。 この方法は様々な複雑な合成高次元データセットでテストされ、化学物理学の文献から現実的なデータセットでベンチマークされる。
  論文  参考訳（メタデータ） (2024-07-10T23:45:20Z)
• 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)
• AD-DMKDE: Anomaly Detection through Density Matrices and Fourier Features [0.0]
  この方法は、カーネル密度推定(KDE)の効率的な近似と見なすことができる。 提案手法を, 各種データセット上での11種類の最先端異常検出手法と体系的に比較した。
  論文  参考訳（メタデータ） (2022-10-26T15:43:16Z)
• 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)
• 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 Ratio Estimation via Infinitesimal Classification [85.08255198145304]
  そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。 モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。 提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-22T06:26:29Z)
• 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)
• 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)
• 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。