論文の概要: Centrality Estimators for Probability Density Functions
- arxiv url: http://arxiv.org/abs/2404.05816v1
- Date: Mon, 8 Apr 2024 18:40:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 18:48:28.520322
- Title: Centrality Estimators for Probability Density Functions
- Title（参考訳）: 確率密度関数の集中度推定器
- Authors: Djemel Ziou,
- Abstract要約: 我々は、H'older と Lehmer という2つの特定の中心性を紹介し、研究する。
提案した推定器群の有効性を示す数値シミュレーションが提供される。
- 参考スコア（独自算出の注目度）: 1.6317061277457
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this report, we explore the data selection leading to a family of estimators maximizing a centrality. The family allows a nice properties leading to accurate and robust probability density function fitting according to some criteria we define. We establish a link between the centrality estimator and the maximum likelihood, showing that the latter is a particular case. Therefore, a new probability interpretation of Fisher maximum likelihood is provided. We will introduce and study two specific centralities that we have named H\"older and Lehmer estimators. A numerical simulation is provided showing the effectiveness of the proposed families of estimators opening the door to development of new concepts and algorithms in machine learning, data mining, statistics, and data analysis.
- Abstract（参考訳）: 本稿では,集中度を最大化する推定器群に導かれるデータ選択について検討する。
この族は、我々が定義したいくつかの基準に従って、正確で頑健な確率密度関数に適合する良い性質を許す。
中心性推定器と最大極大度との関係を確立し、後者が特定の場合であることを示す。
そのため、フィッシャー最大値の新しい確率解釈が提供される。
我々は、H\older と Lehmer という2つの特定の中心性を紹介し、研究する。
機械学習、データマイニング、統計、データ分析における新しい概念とアルゴリズムの開発への扉を開く推定器のファミリーの有効性を示す数値シミュレーションが提供される。
関連論文リスト
- A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models [6.647819824559201]
本研究では,条件付き深部生成モデルの推定のための可能性に基づくアプローチの大規模サンプル特性について検討する。
その結果,条件分布を推定するための最大極大推定器の収束率を導いた。
論文 参考訳（メタデータ） (2024-10-02T20:46:21Z) - Generative Bayesian Computation for Maximum Expected Utility [0.6144680854063935]
本稿では,量子化の限界として期待効用を自然に計算する,量子化に基づく密度のない生成法を提案する。
提案手法では, 分散ユーティリティを直接推定するために, ディープ量子化ニューラル推定器を用いる。
論文 参考訳（メタデータ） (2024-08-28T19:09:23Z) - BIRD: A Trustworthy Bayesian Inference Framework for Large Language Models [52.46248487458641]
予測モデルは、現実世界のタスクで不完全な情報を扱う必要があることが多い。
現在の大規模言語モデル(LLM)は、そのような正確な推定には不十分である。
本稿では,新しい確率的推論フレームワークBIRDを提案する。
論文 参考訳（メタデータ） (2024-04-18T20:17:23Z) - On the Properties and Estimation of Pointwise Mutual Information Profiles [49.877314063833296]
ポイントワイド相互情報プロファイル(ポイントワイド相互情報プロファイル、英: pointwise mutual information profile)は、与えられた確率変数のペアに対するポイントワイド相互情報の分布である。
そこで我々は,モンテカルロ法を用いて分布を正確に推定できる新しい分布系 Bend と Mix Models を導入する。
論文 参考訳（メタデータ） (2023-10-16T10:02:24Z) - Probabilistic Precision and Recall Towards Reliable Evaluation of
Generative Models [7.770029179741429]
問題に対処する確率論的アプローチに基づいて,P-precision and P-recall (PP&PR)を提案する。
我々のPP&PRは、既存の指標よりも忠実度と多様性を比較するための信頼性の高い見積もりを提供することを示す。
論文 参考訳（メタデータ） (2023-09-04T13:19:17Z) - Density Ratio Estimation-based Bayesian Optimization with Semi-Supervised Learning [5.346298077607419]
この課題を解決するために,半教師付き学習を用いた密度比推定に基づくベイズ最適化を提案する。
本手法の実証的な結果といくつかの基本手法を,未ラベルの点サンプリングと固定サイズのプールを持つ2つの異なるシナリオで示す。
論文 参考訳（メタデータ） (2023-05-24T23:01:56Z) - 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) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z) - C-Learning: Learning to Achieve Goals via Recursive Classification [163.7610618571879]
自律エージェントの将来の状態分布を予測・制御する問題について検討する。
我々の研究は、密度推定としてゴール条件付きRLの基礎を定めている。
論文 参考訳（メタデータ） (2020-11-17T19:58:56Z) - Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。
また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文 参考訳（メタデータ） (2020-02-20T15:13:27Z)
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。