Multivariate Online Kernel Density Estimation
Multivariate Online Kernel Density Estimation
复制标题
多元在线核密度估计
DOI：
--
复制
发表时间：
2010
期刊：
影响因子：
--
通讯作者：
M. Kristan
中科院分区：
文献类型：
--
作者：
M. Kristan
我们提出了一种在线核密度估计（KDE）方法，它可以通过一次仅观察一个数据点来从数据构建概率密度函数。该方法维护数据本身的非参数模型，并使用该模型来计算相应的 KDE。我们提出了一种新的自动带宽选择规则，可以直接从数据的非参数模型计算。通过全新的压缩和细化方案，保持了模型的低复杂性。我们在估计分布的示例和分类的示例上将在线 KDE 与一些最先进的批量 KDE 进行比较。结果表明，在线 KDE 通常可以实现与批处理方法相当的性能，同时生成复杂性较低的模型，并且允许一次仅使用单个观察进行在线更新。
We propose an approach for online kernel den- sity estimation (KDE) which enables building probability density functions from data by observing only a single data- point at a time. The method maintains a non-parametric model of the data itself and uses this model to calculate the corresponding KDE. We propose an new automatic band- width selection rule, which can be computed directly from the non-parametric model of the data. Low complexity of the modelismaintainedthroughanovelcompressionandrefine- ment scheme. We compare the online KDE to some state-of- the-art batch KDEs on examples of estimating distributions and on an example of classification. The results show that the online KDE generally achieves comparable performance to the batch approaches, while producing models with lower complexity and allowing online updating using only a single observation at a time.