論文の概要: A Practical Introduction to Kernel Discrepancies: MMD, HSIC & KSD

• arxiv url: http://arxiv.org/abs/2503.04820v1
• Date: Tue, 04 Mar 2025 22:42:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 15:56:59.340773
• Title: A Practical Introduction to Kernel Discrepancies: MMD, HSIC & KSD
• Title（参考訳）: MMD, HSIC, KSD
• Authors: Antonin Schrab,
• Abstract要約: 本稿では、最大平均離散性(MMD)、Hilbert-Schmidt Independence Criterion(HSIC)、Kernel Stein Discrepancy(KSD)に焦点をあてる。 一般的なV統計学やU統計学など、これらの相違点の様々な推定器が提示される。 カーネル帯域幅の選択の重要性は強調され、それが不一致推定の振る舞いにどのように影響するかを示す。
• 参考スコア（独自算出の注目度）: 3.1727619150610837
• License:
• Abstract: This article provides a practical introduction to kernel discrepancies, focusing on the Maximum Mean Discrepancy (MMD), the Hilbert-Schmidt Independence Criterion (HSIC), and the Kernel Stein Discrepancy (KSD). Various estimators for these discrepancies are presented, including the commonly-used V-statistics and U-statistics, as well as several forms of the more computationally-efficient incomplete U-statistics. The importance of the choice of kernel bandwidth is stressed, showing how it affects the behaviour of the discrepancy estimation. Adaptive estimators are introduced, which combine multiple estimators with various kernels, addressing the problem of kernel selection.
• Abstract（参考訳）: 本稿では、最大平均離散性(MMD)、Hilbert-Schmidt Independence Criterion(HSIC)、Kernel Stein Discrepancy(KSD)を中心に、カーネルの相違の実践的な紹介を行う。 一般に使われているV統計学やU統計学、より計算効率のよい不完全なU統計学のいくつかの形式など、これらの違いに対する様々な推定器が提示される。 カーネル帯域幅の選択の重要性は強調され、それが不一致推定の振る舞いにどのように影響するかを示す。 適応推定器を導入し、複数の推定器を様々なカーネルと組み合わせ、カーネル選択の問題に対処する。

関連論文リスト

• A Uniform Concentration Inequality for Kernel-Based Two-Sample Statistics [4.757470449749877]
  これらの指標はカーネルベースの2サンプル統計学の一般的な枠組みの下で統一可能であることを示す。 本稿では、上記のカーネルベースの統計量に対して、新しい一様濃度不等式を確立する。 図示的応用として,これらの境界が距離共分散に基づく次元減少などの手順における誤差境界の構成をどのように促進するかを示す。
  論文  参考訳（メタデータ） (2024-05-22T22:41:56Z)
• Convergence Analysis of Mean Shift [4.444456690812097]
  平均シフトはカーネル密度推定(KDE)のモードを求める 本研究では,MSアルゴリズムによって生成されたモード推定シーケンスの収束保証と収束率の評価について述べる。 解析的カーネルとEpanechnikovカーネルをカバーする既存のカーネルを拡張した。
  論文  参考訳（メタデータ） (2023-05-15T09:04:55Z)
• Optimal Kernel for Kernel-Based Modal Statistical Methods [8.571896191090744]
  カーネルベースのモーダル統計手法には、モード推定、回帰、クラスタリングがある。 本稿では,カーネル関数の選択がそれらの推定精度に与える影響について検討する。
  論文  参考訳（メタデータ） (2023-04-20T01:47:35Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Targeted Separation and Convergence with Kernel Discrepancies [61.973643031360254]
  カーネルベースの不一致測度は、(i)ターゲットPを他の確率測度から分離するか、(ii)Pへの弱収束を制御する必要がある。 本稿では, (i) と (ii) を保証するのに十分な,必要な新しい条件を導出する。 可分距離空間上のMDDに対して、ボヒナー埋め込み可測度を分離するカーネルを特徴づけ、すべての測度を非有界カーネルと分離するための単純な条件を導入する。
  論文  参考訳（メタデータ） (2022-09-26T16:41:16Z)
• Meta-Learning Hypothesis Spaces for Sequential Decision-making [79.73213540203389]
  オフラインデータ(Meta-KeL)からカーネルをメタ学習することを提案する。 穏やかな条件下では、推定されたRKHSが有効な信頼セットを得られることを保証します。 また,ベイズ最適化におけるアプローチの有効性を実証的に評価した。
  論文  参考訳（メタデータ） (2022-02-01T17:46:51Z)
• 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)
• Marginalising over Stationary Kernels with Bayesian Quadrature [36.456528055624766]
  ガウス過程核の族上のMarginalisingは、よく校正された不確実性推定を持つ柔軟なモデルクラスを生成する。 本稿では, この限界化をより効率的に, より実用的なものにするためのベイズ四分法を提案する。
  論文  参考訳（メタデータ） (2021-06-14T14:23:34Z)
• A Kernel-Based Approach to Non-Stationary Reinforcement Learning in Metric Spaces [53.47210316424326]
  KeRNSは、非定常マルコフ決定過程におけるエピソード強化学習のためのアルゴリズムである。 我々は、状態-作用空間の被覆次元と時間とともにMDPの総変動にスケールする後悔境界を証明した。
  論文  参考訳（メタデータ） (2020-07-09T21:37:13Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

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。